StrandsAgents と Gemini Live で音声対話ボットを作成する

1. はじめに

• もともとSpeech to Speech 対応のLLMに興味があり、Nova Sonic などを少し触っていた。
• StrandsAgentsで、Bidirectional Streaming (WebSocketによる双方向通信)がサポートされ(※2025/12時点では正式ではなくまだExperimental)、各社のSpeech to Speech対応のLLM(Nova Sonic/Nova 2 Sonic、OpenAI RealtimeAPI、Gemini Live)を使って簡単に音声対話ボットが作れるとのこと。
• 今回はその中から、Gemini Liveとの接続について動作検証する。

2. やったこと

• Google AI Studio で、Geminiを呼び出すためのAPIキーを作成する。
• StrandsAgentでGemini Live APIを呼び出し、日本語での音声対話ができるボットを作成する。
• 日本語音声で対話を楽しむ。

3. 構成図

4. 手順

4.1 Google AI Studio でのAPIキー作成

• Google AI Studioにて、Geminiを使うためのAPIキーを発行する(発行の手順は以下のサイトなどを参照）。

4.2 StrandsAgentsの作成

環境構築

• StrandsAgentsの公式手順「Gemini Live [Experimental]」に従って環境構築する。
• 今回はPC(Windows11)にPython 3.13.5 がインストールされている状態で、venvした上でpip installなどの手順を実施。

Pythonコード

• 2025/12/22時点では、公式手順のサンプルそのままだとエラーになるので、少しだけ修正した（以下の箇所など）。

誤：from strands.experimental.bidi.models import BidiGeminiLiveModel
正：from strands.experimental.bidi.models.gemini_live import BidiGeminiLiveModel

main-gemini.py

import asyncio

from strands.experimental.bidi import BidiAgent
from strands.experimental.bidi.io import BidiAudioIO, BidiTextIO
from strands.experimental.bidi.models.gemini_live import BidiGeminiLiveModel

async def main() -> None:
    model = BidiGeminiLiveModel(
        model_id="gemini-2.5-flash-native-audio-preview-09-2025",
        provider_config={
            "audio": {
                "voice": "Kore",
            },
        },
        client_config={"api_key": "[Google AI Studioで取得したAPIキー]"},
    )
    # stop_conversation tool allows user to verbally stop agent execution.
    agent = BidiAgent(model=model)

    audio_io = BidiAudioIO()
    text_io = BidiTextIO()
    await agent.run(inputs=[audio_io.input()], outputs=[audio_io.output(), text_io.output()])


if __name__ == "__main__":
    asyncio.run(main())

4.3 動作確認

• 日本語でやりとりができ、ほぼ遅延なく自然なペースでの会話を行うことができた。NotebookLMで音声形式で要約してくれる時の話し方に近い感じ。
• このモデル(gemini-2.5-flash-native-audio-preview-09-2025)はまだPreviewということもあり、イントネーションや漢字の読み方などがおかしいところはある。
• 会話内容が分かるように、ユーザ音声、AI音声の両方を文字化して表示もしてくれる。
• サンプル録音したものはこちら。

5. 所感

• LLMの品質について：ちょっと日本がおかしいかも？？となることはあるが、結構ノリがよい軽快なトークで、近く実用につながりそうな可能性を感じた。
• StrandsAgentsについて：Gemini Liveを検証する前に、先にNova 2 Sonicも試したりしてみたが、ほぼmodel名の差し替えだけでLLMを切り替えることができ、便利にできているなと感じた。

6. 参考

• StrandsAgents公式 Gemini Live接続方式

• Bedrock(Nova 2 Sonic) 接続

• OpenAI RealtimeAPI 接続