Google (Gemini)

Plugin Google ให้การเข้าถึงโมเดล Gemini ผ่าน Google AI Studio รวมถึงการสร้างรูปภาพ การทำความเข้าใจสื่อ (รูปภาพ/เสียง/วิดีโอ) การแปลงข้อความเป็นเสียงพูด และการค้นหาเว็บผ่าน Gemini Grounding

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

เริ่มต้นใช้งาน

เลือกวิธีการยืนยันตัวตนที่ต้องการและทำตามขั้นตอนการตั้งค่า

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 # หรือ npmnpm install -g @google/gemini-cli

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

openclaw models list --provider google

ความสามารถ

การค้นหาเว็บ

ผู้ให้บริการค้นหาเว็บ gemini ที่รวมมาให้ใช้การยึดโยงผลการค้นหากับ Google Search ของ Gemini กำหนดค่าคีย์สำหรับการค้นหาโดยเฉพาะภายใต้ plugins.entries.google.config.webSearch หรือให้ใช้ models.providers.google.apiKey ซ้ำต่อจาก GEMINI_API_KEY:

{  plugins: {    entries: {      google: {        config: {          webSearch: {            apiKey: "AIza...", // ไม่จำเป็นหากตั้งค่า GEMINI_API_KEY หรือ models.providers.google.apiKey ไว้            baseUrl: "https://generativelanguage.googleapis.com/v1beta", // ใช้ models.providers.google.baseUrl เป็นค่าทดแทน            model: "gemini-2.5-flash",          },        },      },    },  },}

ลำดับความสำคัญของข้อมูลประจำตัวคือ webSearch.apiKey ที่กำหนดไว้โดยเฉพาะ ตามด้วย GEMINI_API_KEY และ models.providers.google.apiKey ส่วน webSearch.baseUrl เป็นตัวเลือกเสริมและ มีไว้สำหรับพร็อกซีของผู้ดูแลระบบหรือปลายทาง Gemini API ที่เข้ากันได้ เมื่อไม่ระบุ การค้นหาเว็บด้วย Gemini จะใช้ models.providers.google.baseUrl ซ้ำ ดู การค้นหาด้วย Gemini สำหรับพฤติกรรมของเครื่องมือที่เฉพาะเจาะจงกับผู้ให้บริการ

การสร้างรูปภาพ

ผู้ให้บริการสร้างรูปภาพ google ที่รวมมาให้ใช้ google/gemini-3.1-flash-image-preview เป็นค่าเริ่มต้น

• รองรับ google/gemini-3-pro-image-preview ด้วย
• การสร้าง: สูงสุด 4 รูปภาพต่อคำขอ
• โหมดแก้ไข: เปิดใช้งาน รองรับรูปภาพอินพุตสูงสุด 5 รูป
• ตัวควบคุมเรขาคณิต: size, aspectRatio และ resolution

หากต้องการใช้ Google เป็นผู้ให้บริการรูปภาพเริ่มต้น:

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

การสร้างวิดีโอ

Plugin google ที่รวมมาให้ยังลงทะเบียนการสร้างวิดีโอผ่านเครื่องมือ video_generate ที่ใช้ร่วมกันด้วย

• โมเดลวิดีโอเริ่มต้น: google/veo-3.1-fast-generate-preview
• โหมด: ข้อความเป็นวิดีโอ รูปภาพเป็นวิดีโอ และลำดับงานที่ใช้วิดีโอเดียวเป็นข้อมูลอ้างอิง
• รองรับ aspectRatio (16:9, 9:16) และ resolution (720P, 1080P); ปัจจุบัน Veo ยังไม่รองรับเอาต์พุตเสียง
• ระยะเวลาที่รองรับ: 4, 6 หรือ 8 วินาที (ค่าอื่นจะถูกปรับเป็นค่าที่อนุญาตซึ่งใกล้ที่สุด)

หากต้องการใช้ Google เป็นผู้ให้บริการวิดีโอเริ่มต้น:

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

การสร้างเพลง

Plugin google ที่รวมมาให้ยังลงทะเบียนการสร้างเพลงผ่านเครื่องมือ music_generate ที่ใช้ร่วมกันด้วย

• โมเดลเพลงเริ่มต้น: google/lyria-3-clip-preview
• รองรับ google/lyria-3-pro-preview ด้วย
• ตัวควบคุมพรอมต์: lyrics และ instrumental
• รูปแบบเอาต์พุต: ค่าเริ่มต้นคือ mp3 และรองรับ wav บน google/lyria-3-pro-preview
• อินพุตอ้างอิง: รูปภาพสูงสุด 10 รูป
• การทำงานที่มีเซสชันรองรับจะแยกไปทำงานผ่านลำดับงาน/สถานะที่ใช้ร่วมกัน รวมถึง action: "status"

หากต้องการใช้ Google เป็นผู้ให้บริการเพลงเริ่มต้น:

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

การแปลงข้อความเป็นเสียงพูด

ผู้ให้บริการเสียงพูด google ที่รวมมาให้ใช้เส้นทาง TTS ของ Gemini API กับ 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 ทั่วไป, Opus สำหรับเป้าหมายข้อความเสียง และ PCM สำหรับการพูดคุย/โทรศัพท์
• เอาต์พุตข้อความเสียง: PCM ของ Google จะถูกห่อหุ้มเป็น WAV และแปลงเป็น Opus 48 kHz ด้วย ffmpeg

เส้นทาง Gemini TTS แบบกลุ่มของ Google ส่งคืนเสียงที่สร้างขึ้นในผลตอบกลับ generateContent ที่เสร็จสมบูรณ์ สำหรับการสนทนาด้วยเสียงที่มีเวลาแฝงต่ำที่สุด ให้ใช้ ผู้ให้บริการเสียงเรียลไทม์ของ Google ที่ทำงานบน Gemini Live API แทน TTS แบบกลุ่ม

หากต้องการใช้ Google เป็นผู้ให้บริการ TTS เริ่มต้น:

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

Gemini API TTS ใช้พรอมต์ภาษาธรรมชาติสำหรับควบคุมรูปแบบ ตั้งค่า audioProfile เพื่อเติมพรอมต์รูปแบบที่ใช้ซ้ำได้ไว้หน้าข้อความที่จะอ่าน ตั้งค่า speakerName เมื่อข้อความพรอมต์ของคุณกล่าวถึงผู้พูดที่มีชื่อ

Gemini API TTS ยังรองรับแท็กเสียงเชิงอารมณ์ในวงเล็บเหลี่ยมภายในข้อความ เช่น [whispers] หรือ [laughs] หากต้องการไม่ให้แท็กปรากฏในการตอบกลับแชต แต่ยังส่งไปยัง TTS ให้ใส่แท็กไว้ภายในบล็อก [[tts:text]]...[[/tts:text]]:

นี่คือข้อความตอบกลับที่ไม่มีแท็ก [[tts:text]][whispers] นี่คือเวอร์ชันเสียงพูด[[/tts:text]]

เสียงแบบเรียลไทม์

Plugin google ที่รวมมาให้ลงทะเบียนผู้ให้บริการเสียงแบบเรียลไทม์ที่ทำงานบน Gemini Live API สำหรับบริดจ์เสียงฝั่งแบ็กเอนด์ 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-3.1-flash-live-preview",                speakerVoice: "Kore",                activityHandling: "start-of-activity-interrupts",                turnCoverage: "audio-activity-and-all-video",              },            },          },        },      },    },  },}

สำหรับการตรวจสอบแบบสดโดยผู้ดูแล ให้เรียกใช้ OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts การทดสอบเบื้องต้นนี้ครอบคลุมพาธแบ็กเอนด์/WebRTC ของ OpenAI ด้วย ส่วนของ Google จะสร้าง โทเค็น Live API แบบมีข้อจำกัดในรูปแบบเดียวกับที่ Talk ใน Control UI ใช้ เปิดปลายทาง WebSocket ของเบราว์เซอร์ ส่งเพย์โหลดการตั้งค่าเริ่มต้น และรอ setupComplete

การกำหนดค่าขั้นสูง

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

เนื้อหาที่เกี่ยวข้อง