前情提要 上一篇我用 Gemini 3.8 Flash TTS 做了 Song Lingo：貼 YouTube MV 網址，Gemini 轉錄歌詞、加上拼音翻譯文法，再由一位用 voice design 設計出來的老師一句一句念給你聽。 它一直只跑在我自己的電腦上，但我希望拿起手機就能用。所以這篇要做的事很單純：把它搬上 Cloud Run，讓手機也能用。 但這個網站有一個特殊的地方：頁面上是完整的歌詞和翻譯。 需求：「只有我看得到」要多準確 一般的 side project 部署上去，被別人看到頂多有點尷尬。Song Lingo 不一樣，公開有兩個實際的後果： 版權：上一篇花了一整節講，這是個人學習工具，歌詞只存在我自己的電腦。網站一旦公開，性質就從「個人學習」變成「對外提供歌詞」。 費用：加一首歌會呼叫 Gemini Flash，第一次播放示範音會呼叫 TTS。任何人都能用，就等於任何人都能花我的額度。 所以目標不是「有登入功能」，而是從頭到尾每一層都確認過，只有我的帳號能碰到歌詞和 API。 我先比較了兩個方案：   A. IAP + 程式內驗證 B. 不開放外部，用 gcloud run services proxy 能用的裝置 任何瀏覽器，包含手機 只有登入 gcloud 的電腦 設定難度 中等 低 出錯的可能 低 最低，根本沒有公開入口 B 是最安全的，但手機不能用，而手機正是這次部署的理由。所以選 A。 第一版設計的漏洞：簽署網址 我最初的規劃是這樣：音檔放 GCS，播放時由 API 產生一個短時效的簽署網址（signed URL），把瀏覽器重新導向過去。好處是音檔不經過 Cloud Run，省流量，GCS 本身也支援 Range 請求。 寫到一半重新想「怎樣才能準確地只有我看得到」時，才發現這是一個漏洞： 簽署網址在有效期限內，任何拿到網址的人都能直接下載，完全不經過 IAP。 它本質上是一張不記名的通行證。網址出現在瀏覽器歷史、被貼到哪裡、被某個擴充功能記下來，別人就能繞過前面所有的登入檢查。 原因與解法：「只有我能存取」是一整條鏈，強度取決於最弱的那一環。最後的做法是不使用簽署網址，音檔一律由 Cloud Run 讀出來再送給瀏覽器，每一次播放都要先通過 IAP 和程式內的驗證。一段音檔 250KB 左右，多繞一段路的流量成本可以忽略。 架構 部分 做法 容器 一個映像同時裝 Node 22 和 uv/Python，Next.js 直接呼叫原本的 Python 腳本 歌曲資料與音檔 私人的 Cloud Storage bucket，掛載成 /data 資料夾 API key Secret Manager，以環境變數提供 存取控制 IAP + 程式內驗證 IAP 的簽章 執行個體 最多 1 個，最少 0 個；CPU 持續分配 幾個決定的理由： 把 bucket 掛載成資料夾，而不是改寫成呼叫 GCS API。程式原本就是讀寫 output/ 資料夾，掛載之後只要把 SONG_DATA_DIR 指到 /data，幾乎不用改程式。 只跑 1 個執行個體。避免重複產生音檔、額度用完時暫停呼叫、加入新歌的進度，這些狀態都存在記憶體裡；掛載的 bucket 也沒有跨執行個體的鎖定。個人使用，1 個就夠，而且這樣上一篇那些防止重複計費的機制才會有效。 CPU 持續分配（--no-cpu-throttling）。「加入新歌」是在回應送出後繼續在背景跑轉錄和分析的，Cloud Run 預設會在回應送出後限制 CPU，背景工作會卡住。 四層防護 最後的存取控制是四層，任何一層單獨出錯，其他層還是擋得住： Cloud Run 權限：--no-allow-unauthenticated，只有 IAP 的服務帳號能呼叫這個服務。 IAP：只有被授予 roles/iap.httpsResourceAccessor...

前情提要 每次看到 Gemini 出新功能，我第一個念頭都是「能不能接進我的 LINE Bot」。 9/22 的 Gemini API release notes 寫著 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS 正式推出（GA），官方部落格同步發了 Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS。我照慣例先列了一排 LINE Bot 點子：爸媽聲音的睡前故事、把群組聊天變成廣播劇、早晨雙主持人 podcast⋯⋯ 列到一半我發現，這次最打動我的其實不是 bot，而是「逐句導演語氣」這件事特別適合拿來教發音。於是題目改成一個 Web App： 選一首歌，拿到歌詞，同步翻成中文。 如果是日文、韓文，就附上拼音，然後變身語言老師，一句一句教你怎麼念。 變成一個「用歌曲學語言」的工具。 結果做下來，TTS 本身的品質沒什麼好挑的，真正花時間的是它周邊那些文件沒寫的事。 Gemini 3.8 Flash TTS 是什麼 這次 GA 的是兩個模型： 模型 定位 gemini-3.8-flash-tts 旗艦款，重視聲音表現與角色塑造，可以逐句控制演出 gemini-3.8-flash-lite-tts 便宜、快，適合大量產生 跟前一代比，多了三個我覺得真正有用的東西： Voice design：用一段文字描述生出一個聲音，例如「一位 60 多歲、帶英國腔、語氣溫暖的天文學家」。生出來的聲音會拿到一個 voice_id，之後重複使用。 Voice replication：用 10–30 秒的錄音複製一個人的聲音。前提是聲音主人要親口錄一段同意聲明，產出的語音也會帶 SynthID 浮水印與 C2PA 標記。 逐句的演出控制：每一段文字都能附一個 style（例如「慢慢念、每個音節都念清楚」），也支援 <laughs>、<sigh> 這類標籤，以及最多兩人的對話。 實際呼叫的長相，跟過去的 generate_content 不一樣，改走 interactions 與 voices 兩組 API： # 用文字描述設計一個聲音（一次性，存起來重複用） voice = client.voices.create( store=True, voice={ "model": "gemini-3.8-flash-tts", "type": "prompted", "display_name": "Song Lingo Japanese Teacher", "gender": "female", "language_code": "ja-JP", "prompted": {"input": "A warm, patient Japanese language teacher in her early 30s from Tokyo..."}, }, ) # 用這個聲音念一句話，style 控制語氣與速度 interaction = client.interactions.create( model="gemini-3.8-flash-tts", input=[{ "type": "user_input", "content": [{ "type": "text", "text": "こんにちは。今日はいい天気ですね。", "annotations": [{"type": "speech_metadata", "style": "speaking slowly and clearly"}], }], }], response_format={"type": "audio"}, generation_config={"speech_config":...

前情提要 我有一個自己每天在用的 LINE Bot，linebot-helper-python。丟網址回摘要跟社群文案，丟 YouTube 連結可以針對影片連續追問，還有書籤、地點查詢那些。其中一個功能是 LIFF 語音助理：開一個網頁，用 WebSocket 接 Gemini Live API，可以按住說話或免持對話，講完的內容會整理成一則訊息推回 LINE 聊天室。 九月中 Google 發了 Gemini 3.8 Live，看完之後我想做的事情，跟公告想賣的東西不太一樣。 公告在講能力：Speech to Speech Index 排第一（82.6 分）、Big Bench Audio 97.7%、97 種語言自動偵測且可以在對話中途切換、工具呼叫可以在背景執行而不中斷對話流、即時視覺輸入。還有一顆 Gemini 3.8 Live Extended Thinking，能一邊推理一邊出聲。 我第一個念頭是：這下我可以把那個 preview 例外拔掉了。 真正的動機：一個 preview 模型埋了兩次雷 上一篇寫 agentic video 的時候提過一件事：我的智慧對話功能壞了整段時間，沒有人發現。原因是 loader/chat_session.py 寫死了 gemini-3-pro-preview，那個模型從 Vertex AI 下架之後，真實路徑直接回 404，而那個檔案的例外處理是直接 raise。 修完之後我加了一組守衛，用測試強制「模型 ID 只能出現在 config/agent_config.py」「不准使用 preview 或實驗模型」。但那組守衛有兩個例外： # Live API 僅支援 gemini-3.1-flash-live-preview；TTS 是獨立模型家族。 # 這兩處必須維持 preview 模型，不在守衛範圍內。 EXEMPT_FILES = {"services/voice_live.py", "tools/tts_tool.py"} 語音那個例外的理由是「Live API 只有這一顆模型能用」。當時是真的。但那句話一旦寫進註解，就沒有人會再去查它還成不成立——同一類 bug 的最後一個缺口，就這樣光明正大掛在那裡好幾個月。 3.8 Live 的意義因此不只是能力升級。它的模型名稱不含 -preview，這代表那個例外可以縮掉。 先問 API，不要問文件 這次我沒有先讀文件，而是直接問 API 上實際存在哪些東西： curl -s "https://generativelanguage.googleapis.com/v1beta/models?key=$KEY&pageSize=200" \ | jq -r '.models[]?.name' | rg -i 'live' models/gemini-3.5-transcribe-live models/gemini-3.1-flash-live-preview models/gemini-3.8-live models/gemini-3.8-live-extended-thinking models/gemini-3.5-live-translate-preview 一行指令拿到五個確定存在的模型名稱，比在文件裡翻半天可靠。gemini-3.8-live 就在上面，名字乾淨。 順帶還撿到一個我本來不知道的 gemini-3.5-live-translate-preview。我原本在想「要不要做即時口譯模式」，看來那是一顆專門的模型，不是拿通用模型硬幹。這個之後再說。 再往下問 metadata：   3.1-flash-live-preview 3.8-live inputTokenLimit 131072 131072 outputTokenLimit 65536 65536 supportedGenerationMethods bidiGenerateContent bidiGenerateContent 數字一模一樣。到這裡我對「可以無痛換」有了初步信心，但這還只是 metadata，不是行為。 踩坑一：我警告了一個不存在的風險 我第一次評估這件事的時候，很嚴肅地提醒了一句：「公告沒提到 Vertex AI，而這個專案的決策是全面改用 Vertex，所以 3.8 Live 不確定拿不拿得到。」 聽起來很專業。然後我去翻自己的程式碼： client = live_genai.Client( api_key=GOOGLE_AI_API_KEY, vertexai=False, http_options={"api_version": "v1beta"}, ) vertexai=False。語音這條路徑從一開始就是走 Gemini API 加 AI Studio 的金鑰，根本不走 Vertex——而...

最近翻 Google Cloud 的開發環境設定文件， 在一堆 gcloud CLI、Cloud Shell、Cloud Workstations 中間，多了一段以前沒有的東西： agy plugin install https://github.com/google/skills/plugins/cloud/google-cloud-developer agy 是 Google Antigravity CLI。但真正讓我停下來的不是這個新 CLI，而是後面那串網址： Google 開始把自家的產品知識，包成 agent plugin 放在 GitHub 上發佈。 結果我打開自己的 Claude Code 一看，這個 plugin 早就裝在機器上了。所以這篇不用先裝 Antigravity CLI， 直接拿現成的來實測，看看它到底做了什麼。 這個 plugin 裡面裝了什麼 先把它拆開看。整包其實不大，5 個 skill、1 份路由規則、1 個 MCP server，全部加起來 1549 行 markdown，沒有任何程式碼： skills/gcloud/ # gcloud 指令的安全護欄與語法驗證（272 行 + 340 行參考文件） skills/retrieving-developer-knowledge/ # 查官方文件（103 行 + 182 行參考文件） skills/finding-google-skills/ # 按需從遠端目錄撈技能（134 行） skills/google-cloud-recipe-onboarding/ # 新手開第一個專案（228 行） skills/google-cloud-recipe-auth/ # 憑證與 ADC 選擇（260 行） rules/google-cloud-discovery.md # 技能路由表（30 行） 有趣的是同一個目錄底下塞了四套 manifest： .claude-plugin/plugin.json # Claude Code .codex-plugin/plugin.json # Codex gemini-extension.json # Gemini CLI / Antigravity plugin.json # 通用格式 那份通用的 plugin.json 開頭是這樣： { "$schema": "https://agent-plugins.org/schemas/1.0.0/plugin.schema.json", "name": "google-cloud-developer", "version": "1.1.2", "author": { "name": "Google LLC" }, "license": "Apache-2.0" } agent-plugins.org 是個跨工具的 plugin schema。Google 沒有為自己的 Antigravity 做一份專屬格式， 而是同一包東西讓四種 agent 都吃得下去。換句話說，你不裝 Antigravity CLI 也用得到這包東西。 安裝：三條路挑一條 Antigravity CLI（文件上寫的） agy plugin install https://github.com/google/skills/plugins/cloud/google-cloud-developer Claude Code claude plugin marketplace add google/skills claude plugin install google-cloud-developer@google-plugins...

在 Steam Deck 上遊玩各種電腦遊戲時，經常會遇到需要安裝「社群中文化補丁」、「民間修復更新」或「MOD 擴充包」的情況。然而，許多開發者或漢化小組釋出的補丁是包裝成 Windows 的 .exe 安裝程式，並在執行時要求玩家手動選擇遊戲目錄。 這在 Steam Deck 的 SteamOS（Linux 架構）底下往往會遇到一個巨大的痛點：安裝程式的資料夾選取視窗根本找不到遊戲裝在哪裡。 本文將解析這個問題的核心成因，並分享一套目前最直覺、成功率最高且不需輸入複雜指令的「中繼搬移法」。 為什麼補丁程式會「迷路」？ SteamOS 是透過相容層（Proton 或 Wine）來模擬 Windows 環境執行程式，底層有兩個機制容易導致安裝程式卡關： 隱藏資料夾限制：Steam 預設將所有遊戲安裝在 /home/deck/.local/share/Steam/steamapps/common/。在 Linux 系統中，名稱開頭為小數點（.）的資料夾是隱藏資料夾。多數 Windows 補丁自帶的「瀏覽資料夾」瀏覽器無法辨識或顯示這些隱藏路徑。 沙盒權限隔離：如果你習慣使用 Bottles（樽）或部分 Flatpak 應用程式來啟動 .exe，這些工具預設受到沙盒權限控管，無法直接讀取使用者的系統深層檔案。 核心解法：中繼搬移三步驟 與其跟隱藏資料夾設定與 Linux 指令搏鬥，最乾淨的做法是先將遊戲資料夾搬移到非隱藏的公開目錄（如 Downloads 或 Desktop），完成補丁注入後再覆蓋回原始路徑。 第一步：複製遊戲目錄至中繼路徑 長按電源鍵，切換至 Switch to Desktop（桌面模式）。 開啟 Steam 收藏庫，在目標遊戲上點擊右鍵 ➔ 管理 ➔ 瀏覽本機檔案。 檔案總管（Dolphin）會打開遊戲所在的目錄。點擊網址列往上一層回到 common 資料夾。 對著「該遊戲的資料夾」按右鍵選擇 Copy（複製）。 從左側快捷欄進入 Downloads（下載） 或 Desktop（桌面），在空白處按右鍵選擇 Paste One Folder（貼上）。 第二步：執行補丁並透過 Z 槽選取路徑 透過 Bottles、Protontricks 或將補丁加入非 Steam 遊戲來啟動補丁 .exe。 當安裝程式跳出「請選擇遊戲安裝目錄」視窗時，點開 My Computer（我的電腦） ➔ Z: 槽（Z:\ 即對應 Steam Deck 的根目錄）。 依序展開以下公開路徑： 若剛才貼在 Downloads： Plaintext Z:\home\deck\Downloads\[你的遊戲資料夾] 若剛才貼在 Desktop： Plaintext Z:\home\deck\Desktop\[你的遊戲資料夾] 選定資料夾後按下確認，開始執行補丁寫入。由於路徑完全透明，安裝程式能順利將替換檔案解壓進去。 第三步：覆蓋回原路徑與啟動檔確認 補丁安裝完成並關閉視窗後，回到剛才的 Downloads 或 Desktop 目錄。 進入補丁更新完畢的遊戲資料夾，按 Ctrl + A 全選所有檔案，點右鍵選擇 Copy（複製）。 回到 Steam 原始的遊戲資料夾（Steam 收藏庫 ➔ 遊戲點右鍵 ➔ 管理 ➔ 瀏覽本機檔案）。 在空白處按右鍵 Paste（貼上），當系統跳出覆蓋提示時，選擇 Overwrite / Write Over（全數覆蓋）。 關鍵檢查：部分補丁在安裝後會產生獨立的執行檔（例如 Game_Patch.exe 或 Game_ZH.exe）。若有此情況，請將原本的遊戲啟動主程式（如 Game.exe）備份改名，並將補丁產生的新執行檔改回 Steam 預設的啟動檔名。 清理暫存檔案：確認無誤後，即可將 Downloads 或 Desktop 中的中繼資料夾刪除。 注意事項與除錯技巧 Linux 檔案大小寫敏感：Linux 系統會將 Data 與 data 視為完全不同的目錄。如果補丁解壓縮出來的資料夾大小寫與原遊戲不同，請手動將內容合併，避免生成雙重資料夾導致遊戲讀取不到補丁資源。 動畫與編碼相容性：若打完補丁後進入遊戲遇到文字方塊、日文缺字或開場動畫黑屏，請在 Steam 該遊戲的 內容 ➔ 相容性 中改用...

前情提要 我有一個自己每天在用的 LINE Bot，linebot-helper-python。丟網址給它會回摘要跟四個平台的社群文案，丟 YouTube 連結會回影片摘要，還有書籤、地點查詢、語音助理那些。跑在 Cloud Run 上，用 Vertex AI。 八月底 Google 發了一篇 Introducing agentic video in Gemini，看完我第一個念頭是：這東西能讓我的 bot 多做一件現在做不到的事——針對影片提問，而不是只給一份摘要。 結果做下來，公告裡沒寫的部分比寫了的更值得記。 Agentic video 是什麼 原本 Gemini 讀影片是「靜態」的：不管你問什麼，它都照固定的取樣率把整支影片的每一格畫面、每一段音訊全部塞進 context。一支兩小時的影片，光影片本身就佔掉幾十萬 token，而你可能只是想問「他有講到定價嗎」。 Agentic 模式把這件事反過來：讓模型自己決定要載入哪一段。先掃逐字稿，判斷答案可能在 1:24 附近，就只把那一段的畫面拉進來。 官方公告給的數字是長片場景 token 少 88%、成本降 66%、正確率高 7%。開啟方式就是在 Part 上多一個參數： video_part = types.Part( file_data=types.FileData(file_uri=..., mime_type="video/mp4"), media_processing="AGENTIC", # 或 "STATIC" ) 支援的模型有三個：gemini-3.7-flash、gemini-3.6-flash、gemini-3.5-flash-lite。輸入來源可以是 YouTube 網址、Cloud Storage URI，或內嵌的 base64。 它實際能做到什麼 我拿兩小時的 Google I/O ‘25 keynote 測，問「他有講到定價嗎？如果有，請給我幾分幾秒」，回來的是： 影片中有提到價格與訂閱方案的定價相關資訊。主要出現在影片的 1:24:40 到 1:26:10 左右⋯⋯ 然後正確描述了 Google AI Pro 與 Google AI Ultra 兩個方案的差異。再問 Android XR 眼鏡那段在哪，回 1:36:31 至 1:50:30，內容也對得上。 這種在兩小時影片裡精準定位的能力，是我覺得這個功能真正值錢的地方。摘要人人都會做，「這支長片裡他哪時候講到 X」目前沒什麼工具做得好。 前置條件：四個參數，少一個都不會報錯 這是這次最貴的一課，所以放前面講。 在 Vertex AI 上要讓 agentic 真的生效，四件事必須同時成立： # 條件 少了會怎樣 1 api_version="v1beta1" agentic 只在 v1beta1 提供，用 v1 會靜默退回 STATIC 2 media_processing="AGENTIC" 預設就是 STATIC，不設等於沒開 3 模型在支援名單內 不支援的模型會靜默降級為 STATIC 4 thinking_level 有設定 見下一節，這個最麻煩 關鍵字是靜默。少任何一個，API 都會回 200、答案照樣產出、看起來完全正常，只有帳單不一樣。沒有任何錯誤訊息會告訴你 agentic 沒生效。 還有兩個環境面的前提： SDK 版本：media_processing 這個欄位是 google-genai 2.20.0 才加進去的。我逐版下載驗證過，2.19.0 沒有、2.20.0 有。版本太舊的話這個參數會被當成未知欄位丟掉，一樣不報錯。 Vertex 專屬：官方文件的多輪對話範例是寫給 Gemini Developer API 的，Vertex 這條路上行為不同，後面會講。 我的作法是把這四項各寫一支測試，斷言送進 SDK 的參數： def test_thinking_level_is_low(captured): youtube_tool.summarize_youtube_video(VIDEO_URL) config = captured["call_kwargs"]["config"] assert...