Google (Gemini)

Plugin Google zapewnia dostęp do modeli Gemini przez Google AI Studio, a także generowanie obrazów, rozumienie mediów (obraz/audio/wideo), zamianę tekstu na mowę oraz wyszukiwanie w sieci za pomocą Gemini Grounding.

• Dostawca: google
• Uwierzytelnianie: GEMINI_API_KEY lub GOOGLE_API_KEY
• API: Google Gemini API
• Opcja środowiska wykonawczego: agents.defaults.agentRuntime.id: "google-gemini-cli" ponownie używa OAuth Gemini CLI, zachowując kanoniczne referencje modeli jako google/*.

# Pierwsze kroki

Wybierz preferowaną metodę uwierzytelniania i wykonaj kroki konfiguracji.

openclaw onboard --auth-choice gemini-api-key

openclaw onboard --non-interactive \
  --mode local \
  --auth-choice gemini-api-key \
  --gemini-api-key "$GEMINI_API_KEY"

{
  agents: {
    defaults: {
      model: { primary: "google/gemini-3.1-pro-preview" },
    },
  },
}

openclaw models list --provider google

# Homebrew
brew install gemini-cli

# or npm
npm install -g @google/gemini-cli

openclaw models auth login --provider google-gemini-cli --set-default

openclaw models list --provider google

# Możliwości

# Wyszukiwanie w sieci

Dołączony dostawca wyszukiwania w sieci gemini używa ugruntowania Gemini Google Search. Skonfiguruj dedykowany klucz wyszukiwania w plugins.entries.google.config.webSearch albo pozwól mu ponownie użyć models.providers.google.apiKey po GEMINI_API_KEY:

{
  plugins: {
    entries: {
      google: {
        config: {
          webSearch: {
            apiKey: "AIza...", // optional if GEMINI_API_KEY or models.providers.google.apiKey is set
            baseUrl: "https://generativelanguage.googleapis.com/v1beta", // falls back to models.providers.google.baseUrl
            model: "gemini-2.5-flash",
          },
        },
      },
    },
  },
}

Priorytet poświadczeń to dedykowane webSearch.apiKey, następnie GEMINI_API_KEY, a potem models.providers.google.apiKey. webSearch.baseUrl jest opcjonalne i istnieje dla proxy operatorów lub zgodnych punktów końcowych Gemini API; gdy jest pominięte, wyszukiwanie w sieci Gemini ponownie używa models.providers.google.baseUrl. Zobacz wyszukiwanie Gemini, aby poznać zachowanie narzędzia specyficzne dla dostawcy.

# Generowanie obrazów

Dołączony dostawca generowania obrazów google domyślnie używa google/gemini-3.1-flash-image-preview.

• Obsługuje także google/gemini-3-pro-image-preview
• Generowanie: do 4 obrazów na żądanie
• Tryb edycji: włączony, do 5 obrazów wejściowych
• Kontrolki geometrii: size, aspectRatio i resolution

Aby używać Google jako domyślnego dostawcy obrazów:

{
  agents: {
    defaults: {
      imageGenerationModel: {
        primary: "google/gemini-3.1-flash-image-preview",
      },
    },
  },
}

# Generowanie wideo

Dołączony Plugin google rejestruje także generowanie wideo przez wspólne narzędzie video_generate.

• Domyślny model wideo: google/veo-3.1-fast-generate-preview
• Tryby: tekst-na-wideo, obraz-na-wideo oraz przepływy z pojedynczym wideo referencyjnym
• Obsługuje aspectRatio, resolution i audio
• Obecne ograniczenie czasu trwania: od 4 do 8 sekund

Aby używać Google jako domyślnego dostawcy wideo:

{
  agents: {
    defaults: {
      videoGenerationModel: {
        primary: "google/veo-3.1-fast-generate-preview",
      },
    },
  },
}

# Generowanie muzyki

Dołączony Plugin google rejestruje także generowanie muzyki przez wspólne narzędzie music_generate.

• Domyślny model muzyki: google/lyria-3-clip-preview
• Obsługuje także google/lyria-3-pro-preview
• Kontrolki promptu: lyrics i instrumental
• Format wyjściowy: domyślnie mp3, plus wav w google/lyria-3-pro-preview
• Wejścia referencyjne: do 10 obrazów
• Uruchomienia oparte na sesji odłączają się przez wspólny przepływ zadań/statusu, w tym action: "status"

Aby używać Google jako domyślnego dostawcy muzyki:

{
  agents: {
    defaults: {
      musicGenerationModel: {
        primary: "google/lyria-3-clip-preview",
      },
    },
  },
}

# Zamiana tekstu na mowę

Dołączony dostawca mowy google używa ścieżki TTS Gemini API z gemini-3.1-flash-tts-preview.

• Domyślny głos: Kore
• Uwierzytelnianie: messages.tts.providers.google.apiKey, models.providers.google.apiKey, GEMINI_API_KEY lub GOOGLE_API_KEY
• Wyjście: WAV dla zwykłych załączników TTS, Opus dla celów notatek głosowych, PCM dla Talk/telefonii
• Wyjście notatek głosowych: Google PCM jest opakowywane jako WAV i transkodowane do Opus 48 kHz za pomocą ffmpeg

Ścieżka wsadowego Gemini TTS Google zwraca wygenerowany dźwięk w ukończonej odpowiedzi generateContent. Do rozmów mówionych o najniższym opóźnieniu użyj dostawcy głosu Google w czasie rzeczywistym opartego na Gemini Live API zamiast wsadowego TTS.

Aby używać Google jako domyślnego dostawcy TTS:

{
  messages: {
    tts: {
      auto: "always",
      provider: "google",
      providers: {
        google: {
          model: "gemini-3.1-flash-tts-preview",
          voiceName: "Kore",
          audioProfile: "Speak professionally with a calm tone.",
        },
      },
    },
  },
}

Gemini API TTS używa promptów w języku naturalnym do kontroli stylu. Ustaw audioProfile, aby poprzedzić wypowiadany tekst wielokrotnego użytku promptem stylu. Ustaw speakerName, gdy tekst promptu odnosi się do nazwanego mówcy.

Gemini API TTS akceptuje także ekspresyjne znaczniki audio w nawiasach kwadratowych w tekście, takie jak [whispers] lub [laughs]. Aby znaczniki nie były widoczne w odpowiedzi czatu, ale były wysyłane do TTS, umieść je w bloku [[tts:text]]...[[/tts:text]]:

Here is the clean reply text.

[[tts:text]][whispers] Here is the spoken version.[[/tts:text]]

# Głos w czasie rzeczywistym

Dołączony Plugin google rejestruje dostawcę głosu w czasie rzeczywistym opartego na Gemini Live API dla mostków audio backendu, takich jak Voice Call i Google Meet.

Przykładowa konfiguracja realtime Voice Call:

{
  plugins: {
    entries: {
      "voice-call": {
        enabled: true,
        config: {
          realtime: {
            enabled: true,
            provider: "google",
            providers: {
              google: {
                model: "gemini-2.5-flash-native-audio-preview-12-2025",
                voice: "Kore",
                activityHandling: "start-of-activity-interrupts",
                turnCoverage: "only-activity",
              },
            },
          },
        },
      },
    },
  },
}

Do weryfikacji live przez opiekuna uruchom OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts. Część Google tworzy ten sam ograniczony kształt tokena Live API, którego używa Control UI Talk, otwiera endpoint WebSocket przeglądarki, wysyła początkowy payload konfiguracji i czeka na setupComplete.

# Konfiguracja zaawansowana

{
  agents: {
    defaults: {
      models: {
        "google/gemini-2.5-pro": {
          params: {
            cachedContent: "cachedContents/prebuilt-context",
          },
        },
      },
    },
  },
}

# Powiązane