必须配置Android/iOS工程并接入Gemini SDK，启用Generative AI API且绑定计费账号，使用gemini-1.5-flash-exp模型流式处理16kHz PCM音频，通过systemInstruction或context前缀严格限定翻译行为，实时解析过滤token并按语义完整句刷新UI。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想在自研的移动端App里嵌入Gemini API，让海外用户能实时听懂中文客服语音、或让国内用户即时看懂外籍同事的英文发言？必须绕过网页版限制，直接调用API并处理流式响应。
配置Android/iOS工程并接入Gemini SDK
先确保项目具备基础运行环境，否则后续所有翻译逻辑都无法触发。
1、Android端：在app/build.gradle中添加依赖implementation 'com.google.ai:generativeai:0.12.0'；iOS端：通过Swift Package Manager引入https://github.com/google-generative-ai/swift-sdk，版本号必须≥0.8.0。
2、在AndroidManifest.xml中声明网络权限：<uses-permission android:name="android.permission.INTERNET" />；iOS需在Info.plist中添加NSMicrophoneUsageDescription字段并填写合理说明，否则麦克风调用会静默失败。
3、【必须完成】在Google Cloud Console启用Generative AI API，并为当前项目绑定Billing Account——未绑定会导致所有请求返回403错误且无明确提示。
初始化流式模型并捕获语音输入
移动端翻译的核心是低延迟，必须用streaming模式避免整句等待，否则对话节奏会被打断。
第一步：创建支持流式输出的模型实例，指定gemini-1.5-flash-exp模型（2026年5月起该型号已开放移动端流式调用权限）。
第二步：从设备麦克风实时采集PCM音频流，采样率严格设为16000Hz、单声道、16bit——其他参数会导致Gemini语音识别模块直接拒绝解析。
第三步：将原始音频按200ms切片，每片封装为base64字符串，通过generateContentStream接口逐帧提交。注意：不能拼成整段再发送，否则失去“实时”意义。
构建双语翻译指令链
单纯传语音不加约束，Gemini可能输出解释性内容或格式化符号，必须用系统级指令锁死行为边界。
方法一：在请求payload的systemInstruction字段中写入固定指令：“你是一个嵌入式语音翻译引擎，仅执行语音→文本→目标语言文本的单向转换，禁止添加标点以外的任何字符，禁止补全、禁止推测、禁止输出原语音时间戳。”
方法二：对每段语音附加context前缀：“[源语言:zh][目标语言:en][模式:strict]”，该标记法已被Gemini 1.5系列模型原生识别，比自然语言指令生效更快。
【关键陷阱】若同时设置systemInstruction和用户输入中的语言指令，Gemini会优先执行后者——导致系统级约束被覆盖，必须只保留一种。
解析流式响应并渲染到UI
流式返回的是分块token，不是完整句子，需要前端做状态合并才能显示连贯译文。
1、监听onResponse事件，每次收到chunk时提取response.candidates[0].content.parts[0].text字段值。
2、用正则/^[\u4e00-\u9fa5a-zA-Z0-9\s\.\,\!\?\;]+$/过滤非法字符，剔除Gemini偶尔插入的调试符号如“[REDACTED]”或“”。
3、当检测到末尾标点（。！？.!?）且后续chunk间隔＞300ms时，判定为语义完整句，触发UI层高亮刷新——这步决定用户是否感觉“翻译跟得上说话速度”。
