---
title: 'Voice Shop — Gemini Live'
description: 'Voice + vision shopping bygget ind i din webshop. Same security model som text-chatten, ny modalitet.'
canonical: 'https://cartwright.app/docs/ai/voice-shop'
---

# Voice Shop — Gemini Live (/docs/ai/voice-shop)



Cartwright's storefront-templates har en floating mic-knap. Kunder klikker, taler til shoppen, og kan holde kameraet op for at vise hvad de leder efter. Stemmen kommer fra Google's **Gemini Live API** — den eneste generally available stack der i dag kan håndtere voice + vision + function calling i én WebSocket-session.

## Hvad det betyder konkret [#hvad-det-betyder-konkret]

* **First-mover surface** — pr. januar 2026 er der ingen open-source webshop-template med pakket Gemini Live voice-shopping. Du shipper det dag 1.
* **Same security model, different modality** — voice-calls arver det fulde scope-system, confirmation-gates og audit-log fra Cartwright's text-chat. Voice-rows er stamps med `modality="voice"` så GDPR/DPO kan filtrere dem ud.
* **Bring-your-own-key** — kunden konfigurerer deres egen Google Gemini API-nøgle i `/admin/integrations`. Du betaler ingen voice-cost; det er forholdet mellem shop-ejer og Google.
* **Cost-rails som default** — per-session-cap (default 5 min), daglig per-shop-cap (default 60 min), per-IP rate-limit + BotID. Andre voice-implementeringer mangler dette og brænder $1000/dag på første abuse-incident.
* **Vision = differentiator** — kunden kan toggle kamera til/fra. 1 fps frames til Gemini. "Find produkter i denne farve" mens de holder telefon mod en væg fungerer fra dag 1.

<Callout type="info">
  **Voice ≠ tekst-backend.** Voice kører altid på Google Gemini Live (cloud); det er den eneste stack der pr. 2026 understøtter real-time voice + vision + function calling. Din tekst-chat (admin-copilot, AI-stylist) kan derimod køre på &#x2A;*lokal [Gemma 4 via Ollama](/docs/ai/local-ai)** eller cloud Claude. De to systemer er uafhængige.
</Callout>

## Arkitektur [#arkitektur]

```
[browser] ──WSS──> [Google Gemini Live API]
   │                       │
   │                       ↓ tool-call
   │                       │
   └──POST──> [your-shop /api/live/tool-dispatch]
                   ↓
              invokeTool(name, args, ctx, CUSTOMER_CHAT_SCOPES)
                   ↓
              [Prisma DB · audit-log · confirmation-gate]
```

Browseren snakker WS direkte med Google (server-relay ville koste 2× bandwidth og kan ikke køre på Vercel Fluid Compute). Men hver gang Gemini vil kalde en tool, POSTer browseren det til din server — som kører den samme `invokeTool()`-dispatcher som text-chatten, med samme scope-guards, samme confirmation-tokens, samme audit-log.

**Token-mintingen er pre-committet:** når serveren udsteder den ephemeral token Gemini skal bruge, låser den `tools`, `systemInstruction` og `responseModalities` via `lockAdditionalFields`. Browseren kan ikke udvide tool-allowlisten efter token er udstedt — selv hvis nogen stjæler tokenen og åbner deres egen WS-forbindelse, vil sessionen være bundet til præcis de constraints serveren bestemte.

## Audit-spor [#audit-spor]

Hver voice-tool-call skrives til `AuditLog`-tabellen med:

```
actor          storefront-voice:<sessionId>
tool           "products.search" (registry dot-format)
provider       "google"
model          "gemini-2.5-flash-live"
modality       "voice"
sessionMinutes <minutter-brugt-indtil-nu>
```

GDPR-buyers og DPO'er kan filtrere `/admin/audit` på `modality="voice"` og se nøjagtig hvilken Gemini-version, hvilken voice, og hvilke tool-kald hver session lavede. Det er ægte compliance-værdi — voice-shopping er normalt en sort boks.

## Næste skridt [#næste-skridt]

* [Setup](/docs/ai/voice-shop/setup) — pull Gemini API key + enable feature
* [Cost rails](/docs/ai/voice-shop/cost-rails) — caps, rate-limits, abuse-protection
* [Customization](/docs/ai/voice-shop/customization) — voice-tone, tool-subset
* [Vision mode](/docs/ai/voice-shop/vision-mode) — kamera-input, privacy