Guía del proveedor Google Gemini
Una sola cuenta de Google Gemini puede alimentar los seis servicios de Insights. Gemini es el único proveedor con una ruta nativa a todos los servicios, lo que lo convierte en la implantación de un solo proveedor más sencilla.
Se usan dos API de Gemini, y la distinción importa al configurar las opciones:
- Gemini Live (
BidiGenerateContent): WebSocket bidireccional que utilizantranscription(respuestas de texto) yai_agent(respuestas de audio). - Modelos REST de Gemini:
Models.GenerateContentpara la traducción y el chat, la API de interacciones para la síntesis de voz y la API de archivos +Batches.Createpara el resumen de reuniones.
Tanto Live como la API de interacciones requieren api_version: "v1beta".
Servicios compatibles
| Servicio | Ruta en Gemini | Modelo predeterminado |
|---|---|---|
transcription | Gemini Live BidiGenerateContent, ResponseModalities=[TEXT] | gemini-3.5-transcribe-live |
translation | Models.GenerateContent con ResponseMIMEType: application/json | gemini-3.1-flash-lite |
speech-synthesis | API de interacciones de Gemini con audio PCM16 audio/L16 | gemini-3.8-flash-tts |
ai_text_chat | Chat en streaming, hasta 8 rondas de llamadas a herramientas MCP | Obligatorio, por ejemplo gemini-3.1-flash |
meeting_summarizing | Carga mediante la API de archivos y trabajo por lotes con Batches.Create | Obligatorio, por ejemplo gemini-3.1-flash-lite |
ai_agent | Gemini Live BidiGenerateContent, ResponseModalities=[AUDIO] | gemini-3.8-live |
Obtenga una clave de API en Google AI Studio o Google Cloud y después defina una cuenta y haga referencia a ella desde todos los servicios.
Configuración de la cuenta del proveedor
insights:
providers:
google:
- id: "default-gemini-creds"
credentials:
api_key: "YOUR_GEMINI_API_KEY"
options:
api_version: "v1beta"
| Clave | Tipo | Obligatoria | Descripción |
|---|---|---|---|
id | string | Sí | Nombre único de la cuenta. Los servicios lo referencian, por ejemplo "default-gemini-creds". |
credentials.api_key | string | Sí | Clave de API de Gemini. |
options.api_version | string | No | Versión de la API. Defina "v1beta", obligatoria para Gemini Live (transcription, ai_agent) y para la API de interacciones (speech-synthesis). |
options.endpoint | string | No | URL base de una pasarela o proxy propio. Déjela vacía para llamar directamente a Google. |
options.auth_header | string | No | Encabezado que transporta la clave cuando hay una pasarela delante de Gemini. "Authorization" envía Authorization: Bearer <api_key>. Cualquier otro nombre envía <header>: <api_key>. |
Configuración de los servicios
transcription
Envía en streaming las pistas de micrófono de los oradores permitidos a Gemini Live y recibe incrementos de texto. Live se abre con ResponseModalities=[TEXT], de modo que el modelo nunca devuelve audio en este servicio.
transcription:
provider: "google"
id: "default-gemini-creds"
options:
model: "gemini-3.5-transcribe-live"
transcribe_mode: "VERBATIM"
api_version: "v1beta"
max_selected_trans_langs: 2
pricing:
default:
price_per_hour: 0.36
| Clave | Tipo | Predeterminado | Descripción |
|---|---|---|---|
options.model | string | "gemini-3.5-transcribe-live" | Modelo de transcripción en vivo. |
options.transcribe_mode | string | "VERBATIM" | "VERBATIM" transcribe palabra por palabra. "SMART" permite que el modelo normalice y limpie el habla. |
options.api_version | string | "v1beta" | Obligatoria para BidiGenerateContent. |
options.max_selected_trans_langs | entero | 2 | Número máximo de idiomas de subtítulos simultáneos por sala. Se aplica en el servidor; el anfitrión no puede elevarlo desde la API. |
translation
Traduce un lote de cadenas a todos los idiomas de destino configurados en una sola llamada a GenerateContent. La solicitud define ResponseMIMEType: application/json, así que el modelo devuelve un objeto JSON en lugar de texto libre, lo que mantiene la traducción de chat a varios idiomas en un único viaje de ida y vuelta.
translation:
provider: "google"
id: "default-gemini-creds"
options:
translate_model: "gemini-3.1-flash-lite"
max_selected_trans_langs: 5
pricing:
default:
price_per_million_characters: 10.00
| Clave | Tipo | Predeterminado | Descripción |
|---|---|---|---|
options.translate_model | string | "gemini-3.1-flash-lite" | Modelo de traducción. model se acepta como alias. |
options.max_selected_trans_langs | entero | 5 | Número máximo de idiomas de destino para la traducción del chat y de los subtítulos. Es independiente del límite de transcripción. |
speech-synthesis
Llama a la API de interacciones de Gemini y lee el audio PCM16 (audio/L16) directamente de la respuesta, así que no se escribe ningún archivo en disco.
speech-synthesis:
provider: "google"
id: "default-gemini-creds"
options:
model: "gemini-3.8-flash-tts"
default_voice: "Kore"
tts_sample_rate: 16000
api_version: "v1beta"
pricing:
default:
price_per_million_characters: 16.00
| Clave | Tipo | Predeterminado | Descripción |
|---|---|---|---|
options.model | string | "gemini-3.8-flash-tts" | Modelo de TTS. |
options.default_voice | string | "Kore" | Voz usada cuando un idioma no tiene una asignación de voz explícita. |
options.tts_sample_rate | entero | 16000 | Frecuencia de muestreo PCM. Valores admitidos: 8000, 16000, 24000. |
options.api_version | string | "v1beta" | Obligatoria para la API de interacciones. |
Gemini usa una sola default_voice para todos los idiomas en lugar de un mapa de voces por idioma. Si necesita voces distintas para cada idioma de destino, utilice la guía de Microsoft Azure.
ai_text_chat
Chat en streaming para moderadores (copiloto de la sala) y participantes (asistente de aprendizaje). La ruta del moderador puede llamar a herramientas MCP de la sala hasta 8 rondas antes de responder.
ai_text_chat:
provider: "google"
id: "default-gemini-creds"
options:
chat_model: "gemini-3.1-flash-Preview"
summarize_model: "gemini-3.1-flash-lite"
context_window: 5
pricing:
"gemini-3.1-flash-Preview":
input_price_per_million_tokens: 0.30
output_price_per_million_tokens: 2.50
"gemini-3.1-flash-lite":
input_price_per_million_tokens: 0.10
output_price_per_million_tokens: 0.40
| Clave | Tipo | Obligatoria | Descripción |
|---|---|---|---|
options.chat_model | string | Sí | Modelo para la conversación en vivo y las llamadas a herramientas. |
options.summarize_model | string | No | Modelo usado para condensar el contexto largo. |
options.context_window | entero | No, predeterminado 5 | Número de mensajes recientes que se conservan íntegros por conversación. |
meeting_summarizing
Sube la grabación mezclada de la sala mediante la API de archivos de Gemini, ejecuta un trabajo por lotes con Batches.Create y guarda el texto del resumen devuelto. Las cargas se eliminan cuando termina el trabajo.
meeting_summarizing:
provider: "google"
id: "default-gemini-creds"
options:
summarize_model: "gemini-3.1-flash-lite"
pricing:
default:
input_price_per_million_tokens: 0.30
output_price_per_million_tokens: 2.50
| Clave | Tipo | Obligatoria | Descripción |
|---|---|---|---|
options.summarize_model | string | Sí | Modelo usado para el trabajo de resumen por lotes. |
Las instrucciones personalizadas del resumen se definen por sala, no aquí. Consulte Resumen de reuniones con IA.
ai_agent
Ejecuta el agente de voz y visión con Gemini Live y ResponseModalities=[AUDIO]: el modelo escucha el audio de la sala, ve los fotogramas de la pizarra y del uso compartido, llama a las herramientas del agente y responde hablando.
ai_agent:
provider: "google"
id: "default-gemini-creds"
options:
realtime_model: "gemini-3.8-live"
summarize_model: "gemini-3.1-flash-lite"
api_version: "v1beta"
pricing:
realtime_model:
input_price_per_million_tokens: 0.75
cached_input_price_per_million_tokens: 0.075
cache_write_input_price_per_million_tokens: 0.9375
audio_input_price_per_million_tokens: 3.00
audio_cached_input_price_per_million_tokens: 0.30
audio_cache_write_input_price_per_million_tokens: 3.75
image_input_price_per_million_tokens: 1.00
image_cached_input_price_per_million_tokens: 0.10
image_cache_write_input_price_per_million_tokens: 1.25
output_price_per_million_tokens: 4.50
audio_output_price_per_million_tokens: 12.00
summarize_model:
input_price_per_million_tokens: 0.25
output_price_per_million_tokens: 1.50
| Clave | Tipo | Predeterminado | Descripción |
|---|---|---|---|
options.realtime_model | string | "gemini-3.8-live" | Modelo en vivo usado para la sesión. |
options.summarize_model | string | ninguno | Modelo usado para el resumen al final de la sesión. Si se omite, el servidor reutiliza el modelo de resumen de ai_text_chat o de meeting_summarizing y, si tampoco existe, escribe un resumen local determinista sin llamar a ningún LLM. |
options.api_version | string | "v1beta" | Obligatoria para BidiGenerateContent. |
La voz del agente se elige por sala con ai_agent_features.voice, no en la configuración del servidor. Las opciones del servidor solo seleccionan modelos y la versión de la API.
Configuración de precios
Los precios solo alimentan el campo estimated_cost de los artefactos de uso; nunca cambian lo que Google le factura. Las tarifas son por millón de tokens en los servicios de LLM y por hora o por millón de caracteres en los servicios de voz.
transcription
pricing.default.price_per_hour tarifica SPEECH_TRANSCRIPTION_USAGE a partir de la duración transcrita.
translation
pricing.default.price_per_million_characters tarifica la salida de la traducción.
CHAT_TRANSLATION_USAGE se mide por número de caracteres, no por tokens, y se tarifica con pricing.default.price_per_million_characters. Defina una tarifa explícita o las estimaciones de costo de traducción se quedarán en cero.
speech-synthesis
pricing.default.price_per_million_characters tarifica SYNTHESIZED_SPEECH_USAGE a partir del número de caracteres enviados al TTS.
ai_text_chat
pricing.<chat_model> y pricing.<summarize_model> usan input_price_per_million_tokens y output_price_per_million_tokens. Escriba entre comillas los nombres de modelo que contengan puntos o mayúsculas. Una entrada pricing.default se aplica a cualquier modelo que no tenga su propio bloque.
meeting_summarizing
pricing.<summarize_model> (o pricing.default) usa input_price_per_million_tokens y output_price_per_million_tokens.
ai_agent
El precio por token es multimodal. Coloque las tarifas en pricing.realtime_model (o bajo el nombre concreto del modelo) y en pricing.summarize_model:
| Clave | Cubre |
|---|---|
input_price_per_million_tokens | Texto de entrada |
cached_input_price_per_million_tokens | Texto de entrada en caché |
cache_write_input_price_per_million_tokens | Texto escrito en la caché de instrucciones |
audio_input_price_per_million_tokens | Voz de los participantes enviada al modelo |
audio_cached_input_price_per_million_tokens | Audio de entrada en caché |
audio_cache_write_input_price_per_million_tokens | Audio escrito en la caché de instrucciones |
image_input_price_per_million_tokens | Fotogramas de la pizarra y del uso compartido |
image_cached_input_price_per_million_tokens | Imágenes de entrada en caché |
image_cache_write_input_price_per_million_tokens | Imágenes escritas en la caché de instrucciones |
output_price_per_million_tokens | Texto de salida, incluidos los tokens de razonamiento |
audio_output_price_per_million_tokens | Voz sintetizada del agente |
Las tarifas de caché son opcionales. Cuando faltan, se estiman con la tarifa de entrada sin caché. Los campos de uso que rellenan estas tarifas se detallan en Resúmenes y artefactos de uso.
Ejemplo de configuración completa
Todos los servicios en Gemini con una sola cuenta:
insights:
enabled: true
providers:
google:
- id: "default-gemini-creds"
credentials:
api_key: "YOUR_GEMINI_API_KEY"
options:
api_version: "v1beta"
services:
transcription:
provider: "google"
id: "default-gemini-creds"
options:
model: "gemini-3.5-transcribe-live"
transcribe_mode: "VERBATIM"
api_version: "v1beta"
max_selected_trans_langs: 2
pricing:
default:
price_per_hour: 0.36
translation:
provider: "google"
id: "default-gemini-creds"
options:
translate_model: "gemini-3.1-flash-lite"
max_selected_trans_langs: 5
pricing:
default:
price_per_million_characters: 10.00
speech-synthesis:
provider: "google"
id: "default-gemini-creds"
options:
model: "gemini-3.8-flash-tts"
default_voice: "Kore"
tts_sample_rate: 16000
api_version: "v1beta"
pricing:
default:
price_per_million_characters: 16.00
ai_text_chat:
provider: "google"
id: "default-gemini-creds"
options:
chat_model: "gemini-3.1-flash-Preview"
summarize_model: "gemini-3.1-flash-lite"
context_window: 5
pricing:
default:
input_price_per_million_tokens: 0.30
output_price_per_million_tokens: 2.50
meeting_summarizing:
provider: "google"
id: "default-gemini-creds"
options:
summarize_model: "gemini-3.1-flash-lite"
pricing:
default:
input_price_per_million_tokens: 0.30
output_price_per_million_tokens: 2.50
ai_agent:
provider: "google"
id: "default-gemini-creds"
options:
realtime_model: "gemini-3.8-live"
summarize_model: "gemini-3.1-flash-lite"
api_version: "v1beta"
pricing:
realtime_model:
input_price_per_million_tokens: 0.75
cached_input_price_per_million_tokens: 0.075
cache_write_input_price_per_million_tokens: 0.9375
audio_input_price_per_million_tokens: 3.00
audio_cached_input_price_per_million_tokens: 0.30
audio_cache_write_input_price_per_million_tokens: 3.75
image_input_price_per_million_tokens: 1.00
image_cached_input_price_per_million_tokens: 0.10
image_cache_write_input_price_per_million_tokens: 1.25
output_price_per_million_tokens: 4.50
audio_output_price_per_million_tokens: 12.00
summarize_model:
input_price_per_million_tokens: 0.25
output_price_per_million_tokens: 1.50
Errores frecuentes
- Falta
api_version: "v1beta". Gemini Live (transcription,ai_agent) y la API de interacciones (speech-synthesis) fallan con otras versiones. Defínala en la cuenta, en cada uno de esos servicios o en ambos. - Nombres de modelo sin comillas. Escriba entre comillas nombres como
"gemini-3.1-flash-Preview"y entrecomille siempre las claves de precios que contengan puntos o mayúsculas. - Bloque
pricingvacío. Sin tarifas la sesión funciona igual, pero los artefactos de uso informan un costo de cero.
Páginas relacionadas
- Configuración del servidor y proveedores: estructura común de proveedores, matriz de capacidades y BYOK.
- Subtítulos en vivo, STT y traducción: cómo transmite audio el
RoomAgentoculto. - Resumen de reuniones con IA: captura, instrucciones y comportamiento del trabajo por lotes.
- Chat de IA en la reunión: llamadas a herramientas del moderador y memoria.
- Guía del proveedor OpenAI y autoalojados
- Guía del proveedor Microsoft Azure