Google (Gemini)

Plugin Google ให้การเข้าถึงโมเดล Gemini ผ่าน Google AI Studio รวมถึง การสร้างภาพ การทำความเข้าใจสื่อ (ภาพ/เสียง/วิดีโอ) การแปลงข้อความเป็นเสียง และการค้นหาเว็บผ่าน Gemini Grounding

• ผู้ให้บริการ: google
• การยืนยันตัวตน: GEMINI_API_KEY หรือ GOOGLE_API_KEY
• API: Google Gemini API
• ตัวเลือกรันไทม์: agents.defaults.agentRuntime.id: "google-gemini-cli" ใช้ OAuth ของ Gemini CLI ซ้ำ ขณะที่ยังคงการอ้างอิงโมเดลในรูปแบบมาตรฐานเป็น google/*

# เริ่มต้นใช้งาน

เลือกวิธีการยืนยันตัวตนที่คุณต้องการ แล้วทำตามขั้นตอนการตั้งค่า

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

# ความสามารถ

# การค้นหาเว็บ

ผู้ให้บริการค้นหาเว็บ gemini ที่รวมมา ใช้การ Grounding ด้วย Google Search ของ Gemini กำหนดค่าคีย์ค้นหาเฉพาะภายใต้ plugins.entries.google.config.webSearch หรือให้ใช้ models.providers.google.apiKey ซ้ำหลังจาก 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",
          },
        },
      },
    },
  },
}

ลำดับความสำคัญของข้อมูลรับรองคือ webSearch.apiKey เฉพาะก่อน จากนั้น GEMINI_API_KEY แล้วจึง models.providers.google.apiKey ค่า webSearch.baseUrl เป็นตัวเลือกและ มีไว้สำหรับพร็อกซีของผู้ปฏิบัติงานหรือปลายทาง Gemini API ที่เข้ากันได้ เมื่อไม่ระบุ การค้นหาเว็บ Gemini จะใช้ models.providers.google.baseUrl ซ้ำ ดู การค้นหา Gemini สำหรับพฤติกรรมเครื่องมือเฉพาะผู้ให้บริการ

# การสร้างภาพ

ผู้ให้บริการสร้างภาพ google ที่รวมมา มีค่าเริ่มต้นเป็น google/gemini-3.1-flash-image-preview

• รองรับ google/gemini-3-pro-image-preview ด้วย
• สร้าง: สูงสุด 4 ภาพต่อคำขอ
• โหมดแก้ไข: เปิดใช้งาน สูงสุด 5 ภาพอินพุต
• การควบคุมเรขาคณิต: size, aspectRatio และ resolution

หากต้องการใช้ Google เป็นผู้ให้บริการภาพเริ่มต้น:

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

# การสร้างวิดีโอ

Plugin google ที่รวมมา ยังลงทะเบียนการสร้างวิดีโอผ่านเครื่องมือร่วม video_generate

• โมเดลวิดีโอเริ่มต้น: google/veo-3.1-fast-generate-preview
• โหมด: โฟลว์ข้อความเป็นวิดีโอ ภาพเป็นวิดีโอ และการอ้างอิงวิดีโอเดียว
• รองรับ aspectRatio, resolution และ audio
• ขีดจำกัดระยะเวลาปัจจุบัน: 4 ถึง 8 วินาที

หากต้องการใช้ Google เป็นผู้ให้บริการวิดีโอเริ่มต้น:

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

# การสร้างเพลง

Plugin google ที่รวมมา ยังลงทะเบียนการสร้างเพลงผ่านเครื่องมือร่วม music_generate

• โมเดลเพลงเริ่มต้น: google/lyria-3-clip-preview
• รองรับ google/lyria-3-pro-preview ด้วย
• การควบคุมพรอมป์: lyrics และ instrumental
• รูปแบบเอาต์พุต: ค่าเริ่มต้นเป็น mp3 รวมถึง wav บน google/lyria-3-pro-preview
• อินพุตอ้างอิง: สูงสุด 10 ภาพ
• การรันที่มีเซสชันรองรับจะแยกงานผ่านโฟลว์งาน/สถานะร่วม รวมถึง action: "status"

หากต้องการใช้ Google เป็นผู้ให้บริการเพลงเริ่มต้น:

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

# การแปลงข้อความเป็นเสียง

ผู้ให้บริการเสียงพูด google ที่รวมมา ใช้เส้นทาง TTS ของ Gemini API พร้อม gemini-3.1-flash-tts-preview

• เสียงเริ่มต้น: Kore
• การยืนยันตัวตน: messages.tts.providers.google.apiKey, models.providers.google.apiKey, GEMINI_API_KEY หรือ GOOGLE_API_KEY
• เอาต์พุต: WAV สำหรับไฟล์แนบ TTS ปกติ, Opus สำหรับเป้าหมายข้อความเสียง, PCM สำหรับ Talk/โทรศัพท์
• เอาต์พุตข้อความเสียง: PCM ของ Google ถูกห่อเป็น WAV และแปลงรหัสเป็น Opus 48 kHz ด้วย ffmpeg

เส้นทาง Gemini TTS แบบแบตช์ของ Google จะคืนเสียงที่สร้างในคำตอบ generateContent ที่เสร็จสมบูรณ์ สำหรับการสนทนาด้วยเสียงพูดที่มีความหน่วงต่ำที่สุด ให้ใช้ ผู้ให้บริการเสียงแบบเรียลไทม์ของ Google ที่รองรับด้วย Gemini Live API แทน TTS แบบแบตช์

หากต้องการใช้ Google เป็นผู้ให้บริการ TTS เริ่มต้น:

{
  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 ใช้พรอมป์ภาษาธรรมชาติสำหรับการควบคุมสไตล์ ตั้งค่า audioProfile เพื่อเติมพรอมป์สไตล์ที่ใช้ซ้ำได้ไว้ก่อนข้อความที่จะพูด ตั้งค่า speakerName เมื่อข้อความพรอมป์ของคุณอ้างถึงผู้พูดที่มีชื่อ

Gemini API TTS ยังยอมรับแท็กเสียงแบบวงเล็บเหลี่ยมที่สื่ออารมณ์ในข้อความ เช่น [whispers] หรือ [laughs] หากต้องการกันแท็กออกจากข้อความตอบกลับแชตที่มองเห็นได้ ขณะที่ส่งแท็กเหล่านั้นไปยัง TTS ให้ใส่ไว้ในบล็อก [[tts:text]]...[[/tts:text]]:

Here is the clean reply text.

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

# เสียงแบบเรียลไทม์

Plugin google ที่รวมมา ลงทะเบียนผู้ให้บริการเสียงแบบเรียลไทม์ที่รองรับด้วย Gemini Live API สำหรับบริดจ์เสียงแบ็กเอนด์ เช่น Voice Call และ Google Meet

ตัวอย่างการกำหนดค่า Voice Call แบบเรียลไทม์:

{
  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",
              },
            },
          },
        },
      },
    },
  },
}

สำหรับการตรวจสอบสดของผู้ดูแล ให้รัน OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts ส่วนของ Google จะสร้างโทเค็น Live API ที่ถูกจำกัดในรูปแบบเดียวกับที่ Control UI Talk ใช้ เปิดปลายทาง WebSocket ของเบราว์เซอร์ ส่งเพย์โหลดตั้งค่าเริ่มต้น และรอ setupComplete

# การกำหนดค่าขั้นสูง

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

# ที่เกี่ยวข้อง