Gemini Live Phone Bridge

Real-time voice AI over phone calls using Google Gemini's native audio capabilities.

Architecture

CODEBLOCK0

Quick Start

CODEBLOCK1

Endpoints

Endpoint	Method	Description
INLINECODE0	GET	Health check + active calls
INLINECODE1

Outbound Call API

CODEBLOCK2

Configuration

All settings via CLI args or environment variables:

Core

- --model — Gemini model (default: gemini-2.5-flash-native-audio-latest)
INLINECODE8 — Gemini voice: Puck, Charon, Kore, Fenrir, Aoede, Leda, Orus, Zephyr (default: Kore)
INLINECODE9 — Twilio outbound number (default: env TWILIO_FROM)
INLINECODE11 — AI persona system prompt
INLINECODE12 — Max call seconds (default: 300)

VAD (Voice Activity Detection)

- --vad-enabled / --no-vad — Toggle server-side VAD (default: on)
INLINECODE15 — Silence duration to trigger activityEnd (default: 500)
INLINECODE16 — RMS energy threshold (default: 0.01)
INLINECODE17 — Min speech duration before activityStart (default: 100)

Echo Suppression

- --echo-multiplier — VAD threshold multiplier during agent speech (default: 3.0)
INLINECODE19 — Decay time after agent stops speaking (default: 300)

Twilio Setup

1. Buy a phone number on Twilio
Set Voice webhook: https://your-domain/gemini-live/incoming (HTTP POST)
Set Call status URL: https://your-domain/gemini-live/call-status (HTTP POST)
Ensure geo-permissions are enabled for target countries

Network Requirements

The bridge must be accessible from the internet (Twilio connects to it).
Recommended: Caddy reverse proxy with WebSocket support.

CODEBLOCK3

Performance

Latency benchmarks (Gemini 2.5 Flash Native Audio):

Config	Median	Min	Max
No VAD, 200ms buffer	3,660ms	2,360ms	5,180ms
Server VAD, 50ms buffer

2,500ms | 2,080ms | 6,980ms |

Server-side VAD reduces median latency by ~32%.

Gemini Live Phone Bridge

使用Google Gemini原生音频能力，通过电话实现实时语音AI交互。

架构

电话 ↔ Twilio ↔ WebSocket（μ律8kHz）↔ 桥接层（PCM转码）↔ Gemini Live API（24kHz PCM）

快速开始

bash

设置所需环境变量

export GOOGLEAPIKEY=your-key
export TWILIOAUTHTOKEN=your-token

运行桥接服务

python scripts/bridge.py --port 3335

端点

端点	方法	描述
/gemini-live/status	GET	健康检查 + 活跃通话
/gemini-live/incoming

出站通话API

bash
curl -X POST https://your-domain/gemini-live/call \
-H Content-Type: application/json \
-d {to: +1234567890, greeting: 你好！我是玛西亚。}

配置

所有设置可通过CLI参数或环境变量配置：

核心配置

- --model — Gemini模型（默认：gemini-2.5-flash-native-audio-latest）
--voice — Gemini语音：Puck、Charon、Kore、Fenrir、Aoede、Leda、Orus、Zephyr（默认：Kore）
--from-number — Twilio出站号码（默认：环境变量TWILIO_FROM）
--system-prompt — AI角色系统提示词
--max-duration — 最大通话秒数（默认：300）

VAD（语音活动检测）

- --vad-enabled / --no-vad — 切换服务端VAD（默认：开启）
--vad-silence-ms — 触发活动结束的静音时长（默认：500）
--vad-energy-threshold — RMS能量阈值（默认：0.01）
--vad-speech-min-ms — 触发活动开始前的最短语音时长（默认：100）

回声抑制

- --echo-multiplier — 代理语音期间的VAD阈值倍数（默认：3.0）
--echo-decay-ms — 代理停止说话后的衰减时间（默认：300）

Twilio设置

1. 在Twilio购买电话号码
设置语音Webhook：https://your-domain/gemini-live/incoming（HTTP POST）
设置通话状态URL：https://your-domain/gemini-live/call-status（HTTP POST）
确保目标国家/地区已启用地理权限

网络要求

桥接服务必须可从互联网访问（Twilio需连接至此服务）。
推荐：使用支持WebSocket的Caddy反向代理。

Caddy配置示例

handle /gemini-live/* { reverse_proxy localhost:3335 { flush_interval -1 transport http { read_timeout 0 write_timeout 0 } } }

性能表现

延迟基准测试（Gemini 2.5 Flash Native Audio）：

配置	中位数	最小值	最大值
无VAD，200ms缓冲区	3,660ms	2,360ms	5,180ms
服务端VAD，50ms缓冲区

2,500ms | 2,080ms | 6,980ms |

服务端VAD可将中位数延迟降低约32%。

gemini-live-phoneGemini实时通话