我完全懂你遇到的困扰——不同SDK的API确实容易搞混，尤其是Firebase和官方Google AI SDK的配置方式差异不小。你之前尝试的responseModalities是Firebase AI SDK里的用法，而官方Google AI Kotlin SDK用的是另一种逻辑来指定响应模态。

下面是亲测可用的正确配置步骤：

1. 确认依赖与导入类 #

首先确保你使用的是官方Google AI Kotlin SDK（而非Firebase版本），并导入正确的类型：

import com.google.ai.client.generativeai.GenerativeModel
import com.google.ai.client.generativeai.type.GenerationConfig
import com.google.ai.client.generativeai.type.ResponseMimeType
import com.google.ai.client.generativeai.type.InputImage

2. 正确配置GenerationConfig #

在官方SDK中，我们需要通过MIME类型来指定响应模态，而不是Firebase里的ResponseModality枚举。使用setResponseMimeTypes方法传入文本和图像的MIME类型列表即可：

val generationConfig = GenerationConfig.Builder()
    // 同时指定文本和PNG格式图像响应，若需JPEG可替换为ResponseMimeType.IMAGE_JPEG
    .setResponseMimeTypes(listOf(ResponseMimeType.TEXT, ResponseMimeType.IMAGE_PNG))
    .build()

val imageGenerationModel = GenerativeModel(
    modelName = "gemini-2.0-flash-preview-image-generation",
    apiKey = geminiApiKey,
    generationConfig = generationConfig
)

3. 调用API并处理多模态响应 #

配置好模型后，你可以像Python示例那样传入图像和文本提示，然后分别处理返回的文本与图像内容：

// 示例：从Uri加载输入图像
val inputImage = InputImage.fromUri(context, yourImageUri)
val prompt = "Edit this image to make it look like a cartoon."

// 调用生成内容API
val response = imageGenerationModel.generateContent(listOf(inputImage, prompt))

// 处理返回的文本
response.text?.let { generatedText ->
    println("生成的说明文本：$generatedText")
}

// 处理返回的图像
response.images?.forEach { generatedImage ->
    // generatedImage为Bitmap类型，可直接用于ImageView显示
    yourImageView.setImageBitmap(generatedImage)
}

为什么之前的方法无效？ #

• 你最初尝试的Arrays.asList(ResponseModality.TEXT, ...)是Firebase AI SDK的专属API，和官方Google AI SDK不兼容
• Gemini建议的responseModalities = listOf(...)可能是旧版本SDK的用法，当前稳定版已改用responseMimeTypes来明确指定响应格式

内容来源于stack exchange