گوگل (Gemini)

Plugin گوگل دسترسی به مدل‌های Gemini را از طریق Google AI Studio فراهم می‌کند و همچنین شامل تولید تصویر، درک رسانه (تصویر/صدا/ویدئو)، تبدیل متن به گفتار و جست‌وجوی وب از طریق Gemini Grounding است.

• ارائه‌دهنده: google
• احراز هویت: GEMINI_API_KEY یا GOOGLE_API_KEY
• API: Google Gemini API
• گزینه زمان اجرا: agentRuntime.id: "google-gemini-cli" از OAuth مربوط به Gemini CLI دوباره استفاده می‌کند، درحالی‌که ارجاع‌های مدل را به‌شکل متعارف google/* نگه می‌دارد.

شروع به کار

روش احراز هویت دلخواهتان را انتخاب کنید و مراحل راه‌اندازی را دنبال کنید.

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

# Homebrewbrew install gemini-cli # or npmnpm install -g @google/gemini-cli

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

openclaw models list --provider google

قابلیت‌ها

جست‌وجوی وب

ارائه‌دهنده جست‌وجوی وب همراه gemini از اتصال به Google Search در Gemini استفاده می‌کند. یک کلید اختصاصی جست‌وجو را در plugins.entries.google.config.webSearch پیکربندی کنید، یا اجازه دهید پس از GEMINI_API_KEY از models.providers.google.apiKey دوباره استفاده کند:

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

ترتیب تقدم اعتبارنامه‌ها ابتدا webSearch.apiKey اختصاصی، سپس GEMINI_API_KEY و بعد models.providers.google.apiKey است. webSearch.baseUrl اختیاری است و برای پراکسی‌های اپراتور یا نقاط پایانی سازگار با Gemini API در نظر گرفته شده است؛ در صورت حذف، جست‌وجوی وب Gemini از models.providers.google.baseUrl دوباره استفاده می‌کند. برای رفتار ابزار ویژه ارائه‌دهنده، به جست‌وجوی Gemini مراجعه کنید.

تولید تصویر

ارائه‌دهنده همراه تولید تصویر google به‌طور پیش‌فرض از google/gemini-3.1-flash-image-preview استفاده می‌کند.

• از google/gemini-3-pro-image-preview نیز پشتیبانی می‌کند
• تولید: حداکثر ۴ تصویر در هر درخواست
• حالت ویرایش: فعال، با حداکثر ۵ تصویر ورودی
• کنترل‌های هندسی: size، aspectRatio و resolution

برای استفاده از گوگل به‌عنوان ارائه‌دهنده پیش‌فرض تصویر:

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

تولید ویدئو

Plugin همراه google همچنین تولید ویدئو را از طریق ابزار مشترک video_generate ثبت می‌کند.

• مدل پیش‌فرض ویدئو: google/veo-3.1-fast-generate-preview
• حالت‌ها: متن به ویدئو، تصویر به ویدئو و جریان‌های ارجاعی تک‌ویدئویی
• از aspectRatio (16:9، 9:16) و resolution (720P، 1080P) پشتیبانی می‌کند؛ خروجی صدا در حال حاضر توسط Veo پشتیبانی نمی‌شود
• مدت‌زمان‌های پشتیبانی‌شده: ۴، ۶ یا ۸ ثانیه (مقادیر دیگر به نزدیک‌ترین مقدار مجاز گرد می‌شوند)

برای استفاده از گوگل به‌عنوان ارائه‌دهنده پیش‌فرض ویدئو:

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

تولید موسیقی

Plugin همراه google همچنین تولید موسیقی را از طریق ابزار مشترک music_generate ثبت می‌کند.

• مدل پیش‌فرض موسیقی: google/lyria-3-clip-preview
• از google/lyria-3-pro-preview نیز پشتیبانی می‌کند
• کنترل‌های فرمان: lyrics و instrumental
• قالب خروجی: به‌طور پیش‌فرض mp3، به‌علاوه wav در google/lyria-3-pro-preview
• ورودی‌های مرجع: حداکثر ۱۰ تصویر
• اجراهای متکی به نشست از طریق جریان مشترک وظیفه/وضعیت، از جمله action: "status"، جدا می‌شوند

برای استفاده از گوگل به‌عنوان ارائه‌دهنده پیش‌فرض موسیقی:

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

تبدیل متن به گفتار

ارائه‌دهنده گفتار همراه google از مسیر تبدیل متن به گفتار Gemini API با gemini-3.1-flash-tts-preview استفاده می‌کند.

• صدای پیش‌فرض: Kore
• احراز هویت: messages.tts.providers.google.apiKey، models.providers.google.apiKey، GEMINI_API_KEY یا GOOGLE_API_KEY
• خروجی: WAV برای پیوست‌های معمول تبدیل متن به گفتار، Opus برای مقصدهای پیام صوتی و PCM برای Talk/تلفن
• خروجی پیام صوتی: PCM گوگل در قالب WAV بسته‌بندی و با ffmpeg به Opus با نرخ ۴۸ کیلوهرتز تبدیل می‌شود

مسیر دسته‌ای تبدیل متن به گفتار Gemini در گوگل، صدای تولیدشده را در پاسخ تکمیل‌شده generateContent برمی‌گرداند. برای مکالمات گفتاری با کمترین تأخیر، به‌جای تبدیل متن به گفتار دسته‌ای از ارائه‌دهنده صدای بلادرنگ گوگل که مبتنی بر Gemini Live API است استفاده کنید.

برای استفاده از گوگل به‌عنوان ارائه‌دهنده پیش‌فرض تبدیل متن به گفتار:

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

تبدیل متن به گفتار Gemini API برای کنترل سبک از فرمان‌های زبان طبیعی استفاده می‌کند. audioProfile را تنظیم کنید تا یک فرمان سبک قابل‌استفاده مجدد پیش از متن گفتاری افزوده شود. هنگامی که متن فرمانتان به یک گوینده نام‌گذاری‌شده اشاره می‌کند، speakerName را تنظیم کنید.

تبدیل متن به گفتار Gemini API همچنین برچسب‌های صوتی بیانی درون کروشه را در متن می‌پذیرد، مانند [whispers] یا [laughs]. برای اینکه برچسب‌ها در پاسخ قابل‌مشاهده گفتگو نمایش داده نشوند اما به تبدیل متن به گفتار ارسال شوند، آن‌ها را درون یک بلوک [[tts:text]]...[[/tts:text]] قرار دهید:

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

صدای بلادرنگ

Plugin همراه google یک ارائه‌دهنده صدای بلادرنگ مبتنی بر Gemini Live API را برای پل‌های صوتی پشتی مانند Voice Call و Google Meet ثبت می‌کند.

نمونه پیکربندی بلادرنگ تماس صوتی:

{  plugins: {    entries: {      "voice-call": {        enabled: true,        config: {          realtime: {            enabled: true,            provider: "google",            providers: {              google: {                model: "gemini-3.1-flash-live-preview",                speakerVoice: "Kore",                activityHandling: "start-of-activity-interrupts",                turnCoverage: "audio-activity-and-all-video",              },            },          },        },      },    },  },}

برای راستی‌آزمایی زنده توسط نگه‌دارندگان، دستور OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts را اجرا کنید. این آزمون دود همچنین مسیرهای سمت پشتیبان/WebRTC مربوط به OpenAI را پوشش می‌دهد؛ بخش Google همان ساختار توکن محدود Live API را که گفت‌وگوی Control UI استفاده می‌کند صادر می‌کند، نقطه پایانی وب‌سوکت مرورگر را باز می‌کند، بار اولیه راه‌اندازی را می‌فرستد و منتظر setupComplete می‌ماند.

پیکربندی پیشرفته

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

مرتبط