用 Gemini API CLI 测试语音多模态功能
Did you know you can use the Gemini API CLI together with your coding agent to test multimodal features like voice and audio? Here is how it works:
AI 导读
Philipp Schmid 介绍如何把 Gemini API CLI 与编码智能体配合，测试语音、音频等多模态功能：先用 CLI 生成语音，再让 Chrome 以 --use-file-for-fake-audio-capture=voice.wav%noloop 启动，通过 Playwright 或 browser-use 点击麦克风按钮，使 getUserMedia 从 0.0s 开始流式播放 WAV，最后在 DOM 中校验转写文本与 UI 状态。
正文 · AI 翻译
你知道吗，你可以将 Gemini API CLI 与你的编码智能体配合使用，来测试语音和音频等多模态功能？以下是它的工作原理：
1. 使用 Gemini API CLI 生成语音 2. 使用 Chrome 并加上 --use-file-for-fake-audio-capture=voice.wav%noloop 3. 通过 Playwright 或 browser-use 点击麦克风按钮，使 getUserMedia 从 0.0s 开始流式播放 WAV 4. 在 DOM 中校验转写文本与 UI 状态
提示词如下 👇