核心用法
Gemini Assistant 是一款集成 Google Gemini 系列模型的通用 AI 助手技能，采用本地 Python 脚本调用模式运行。用户可通过命令行触发文本或语音交互：文本模式直接传入问题字符串，语音模式需指定 --audio 参数并可选配上下文提示。响应以 JSON 格式返回，包含文本内容字段 text 及可选的语音文件路径 message（以 [[audio_as_voice]] 标记）。
显著优点
1. 原生多模态支持：默认搭载 gemini-2.5-flash-native-audio-preview-12-2025 模型，实现语音输入、语音合成的端到端处理，无需额外 TTS/STT 服务；
2. 部署轻量：仅需 FFmpeg 及 Python 依赖库（google-genai、soundfile、librosa 等），无复杂容器化要求；
3. 响应速度快：Gemini Flash 系列模型针对低延迟优化，适合实时交互场景；
4. 配置灵活：支持环境变量或 .env 文件管理 API 密钥，系统指令可自定义以适配个性化需求。
潜在缺点与局限性
- 模型版本锁定风险：预览版模型（
native-audio-preview）可能面临 API 变更或下线，需持续关注 Google 官方更新； - 音频格式依赖：输入音频需为 OGG 格式，虽依赖 FFmpeg 转码，但对非标准音频仍存在兼容性边界；
- 本地化运维负担：API 密钥与模型配置分散于环境变量或源码修改，缺乏集中式配置管理能力；
- 网络依赖性强：所有推理均通过 Google 云端 API 完成，离线场景不可用，且存在数据跨境传输合规考量。
适合人群
- 需要快速搭建语音交互原型的开发者与极客用户；
- 已具备 Google Cloud/Gemini API 使用经验的技术团队；
- 对响应延迟敏感、追求轻量级部署的个人助理场景用户。
常规风险
- API 密钥泄露：
.env文件或环境变量若权限配置不当，可能导致密钥被本地进程或日志窃取； - 音频文件残留：临时语音文件
/tmp/gemini_voice_xxx.ogg若未自动清理，存在隐私数据残留风险； - 依赖供应链风险：
google-genai等库的快速迭代可能引入破坏性变更，建议锁定版本号。