আপনি Gemini মডেলকে আপনার দেওয়া অডিও ফাইল বিশ্লেষণ করতে বলতে পারেন যা ইনলাইন (base64-এনকোড করা) বা URL-এর মাধ্যমে দেওয়া হয়েছে। আপনি Firebase AI Logic ব্যবহার করলে, আপনার অ্যাপ থেকে সরাসরি এই অনুরোধ করতে পারবেন।
এই ক্ষমতার সাহায্যে, আপনি এগুলি করতে পারবেন:
- অডিও কন্টেন্ট সম্পর্কে বর্ণনা, সারসংক্ষেপ বা প্রশ্নের উত্তর দিন
- অডিও কন্টেন্ট ট্রান্সক্রাইব করা
- টাইমস্ট্যাম্প ব্যবহার করে অডিওর নির্দিষ্ট সেগমেন্ট বিশ্লেষণ করা
এই নির্দেশিকা অডিও ইনপুট থেকে টেক্সট তৈরি করার বিষয়ে।
কোড স্যাম্পেলে যান স্ট্রিম করা উত্তরের কোডে যান
|
অডিও নিয়ে কাজ করার জন্য অতিরিক্ত বিকল্পের ব্যাপারে অন্যান্য গাইড দেখুন স্ট্রাকচার্ড আউটপুট জেনারেট করুন মাল্টি-টার্ন চ্যাট টেক্সট-টু-স্পিচ (TTS) দ্বিমুখী স্ট্রিমিং |
শুরু করার আগে
|
এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট এবং কোড দেখতে আপনার Gemini API প্রদানকারীর উপর ক্লিক করুন। |
আপনি এখনও না করে থাকলে,
শুরু করার নির্দেশিকা সম্পূর্ণ করুন, যা বর্ণনা করে যে কীভাবে
আপনার Firebase প্রোজেক্ট সেট-আপ করতে হয়, Firebase-এর সাথে আপনার অ্যাপ কানেক্ট করতে হয়, SDK যোগ করতে হয়,
আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য ব্যাকএন্ড পরিষেবা চালু করতে হয় এবং
GenerativeModel ইনস্ট্যান্স তৈরি করতে হয়।
আপনার প্রম্পট পরীক্ষা ও পুনরাবৃত্তি করার জন্য, আমরা Google AI Studio ব্যবহার করার সাজেশন দিই।
এই ক্ষমতা আছে এমন মডেল
এই নির্দেশিকা অডিও ইনপুট থেকে টেক্সট জেনারেট করা সম্পর্কে এবং এটি নিম্নলিখিত Gemini মডেলের ক্ষেত্রে প্রযোজ্য:
gemini-4-argongemini-3.8-flash(এবং পুরনোgemini-3.7-flash,gemini-3.6-flashওgemini-3.5-flash)gemini-3.5-flash-lite(এবং পুরনোgemini-3.1-flash-lite)
gemini-3.1-pro-preview এবং সাধারণ-ব্যবহারের Gemini 2.5 মডেল (যা
বন্ধ করা হয়েছে) এই ক্ষমতাকে সমর্থন করে।
অডিও ফাইল থেকে টেক্সট জেনারেট করুন (base64-এনকোডেড)
|
এই স্যাম্পেল ব্যবহার করার আগে, আপনার প্রোজেক্ট ও অ্যাপ সেট-আপ করতে
এই গাইডের শুরু করার আগে বিভাগটি
সম্পূর্ণ করুন। সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রোভাইডারের জন্য একটি বোতামে ক্লিক করতে হবে যাতে আপনি এই পৃষ্ঠায় প্রোভাইডার-নির্দিষ্ট কন্টেন্ট দেখতে পান। |
আপনি Gemini মডেলকে
টেক্সট ও অডিওর মাধ্যমে প্রম্পট করে টেক্সট জেনারেট করতে বলতে পারেন—ইনপুট ফাইলের mimeType এবং ফাইলটি প্রদান করে। এই পৃষ্ঠায় পরে
ইনপুট ফাইলের জন্য প্রয়োজনীয়তা ও সাজেশন
খুঁজুন।
Swift
টেক্সট ও একটি অডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে, আপনি
generateContent()
কল করতে পারেন।
import FirebaseAILogic
// Initialize the Gemini Developer API backend service.
let ai = FirebaseAI.firebaseAI(backend: .googleAI())
// Create a `GenerativeModel` instance with a model that supports your use case.
let model = ai.generativeModel(modelName: "gemini-3.8-flash")
// Provide the audio as `Data`
guard let audioData = try? Data(contentsOf: audioURL) else {
print("Error loading audio data.")
return // Or handle the error appropriately
}
// Specify the appropriate audio MIME type
let audio = InlineDataPart(data: audioData, mimeType: "audio/mpeg")
// Provide a text prompt to include with the audio
let prompt = "Transcribe what's said in this audio recording."
// To generate text output, call `generateContent` with the audio and text prompt
let response = try await model.generateContent(audio, prompt)
// Print the generated text, handling the case where it might be nil
print(response.text ?? "No text in response.")
Kotlin
টেক্সট ও একটি অডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে, আপনি
generateContent()
কল করতে পারেন।
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel("gemini-3.8-flash")
val contentResolver = applicationContext.contentResolver
val inputStream = contentResolver.openInputStream(audioUri)
if (inputStream != null) { // Check if the audio loaded successfully
inputStream.use { stream ->
val bytes = stream.readBytes()
// Provide a prompt that includes the audio specified above and text
val prompt = content {
inlineData(bytes, "audio/mpeg") // Specify the appropriate audio MIME type
text("Transcribe what's said in this audio recording.")
}
// To generate text output, call `generateContent` with the prompt
val response = model.generateContent(prompt)
// Log the generated text, handling the case where it might be null
Log.d(TAG, response.text?: "")
}
} else {
Log.e(TAG, "Error getting input stream for audio.")
// Handle the error appropriately
}
Java
টেক্সট ও একটি অডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে, আপনি
generateContent()
কল করতে পারেন।
ListenableFutureফেরত দেয়।
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
GenerativeModel ai = FirebaseAI.getInstance(GenerativeBackend.googleAI())
.generativeModel("gemini-3.8-flash");
// Use the GenerativeModelFutures Java compatibility layer which offers
// support for ListenableFuture and Publisher APIs
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
ContentResolver resolver = getApplicationContext().getContentResolver();
try (InputStream stream = resolver.openInputStream(audioUri)) {
File audioFile = new File(new URI(audioUri.toString()));
int audioSize = (int) audioFile.length();
byte audioBytes = new byte[audioSize];
if (stream != null) {
stream.read(audioBytes, 0, audioBytes.length);
stream.close();
// Provide a prompt that includes the audio specified above and text
Content prompt = new Content.Builder()
.addInlineData(audioBytes, "audio/mpeg") // Specify the appropriate audio MIME type
.addText("Transcribe what's said in this audio recording.")
.build();
// To generate text output, call `generateContent` with the prompt
ListenableFuture<GenerateContentResponse> response = model.generateContent(prompt);
Futures.addCallback(response, new FutureCallback<GenerateContentResponse>() {
@Override
public void onSuccess(GenerateContentResponse result) {
String text = result.getText();
Log.d(TAG, (text == null) ? "" : text);
}
@Override
public void onFailure(Throwable t) {
Log.e(TAG, "Failed to generate a response", t);
}
}, executor);
} else {
Log.e(TAG, "Error getting input stream for file.");
// Handle the error appropriately
}
} catch (IOException e) {
Log.e(TAG, "Failed to read the audio file", e);
} catch (URISyntaxException e) {
Log.e(TAG, "Invalid audio file", e);
}
Web
টেক্সট ও একটি অডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে আপনি
generateContent()
কল করতে পারেন।
import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend } from "firebase/ai";
// TODO(developer): Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
// ...
};
// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);
// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });
// Create a `GenerativeModel` instance with a model that supports your use case.
const model = getGenerativeModel(ai, { model: "gemini-3.8-flash" });
// Converts a File object to a Part object.
async function fileToGenerativePart(file) {
const base64EncodedDataPromise = new Promise((resolve) => {
const reader = new FileReader();
reader.onloadend = () => resolve(reader.result.split(','));
reader.readAsDataURL(file);
});
return {
type: "inlineData",
inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
};
}
async function run() {
// Provide a text prompt to include with the audio
const prompt = "Transcribe what's said in this audio recording.";
// Prepare audio for input
const fileInputEl = document.querySelector("input[type=file]");
const audioPart = await fileToGenerativePart(fileInputEl.files);
// To generate text output, call `generateContent` with the text and audio
const result = await model.generateContent([prompt, audioPart]);
// Log the generated text, handling the case where it might be undefined
console.log(result.response.text() ?? "No text in response.");
}
run();
Dart
টেক্সট এবং একটি অডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে আপনি
generateContent()
কল করতে পারেন।
import 'package:firebase_ai/firebase_ai.dart';
import 'package:firebase_core/firebase_core.dart';
import 'firebase_options.dart';
// Initialize FirebaseApp
await Firebase.initializeApp(
options: DefaultFirebaseOptions.currentPlatform,
);
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
final model =
FirebaseAI.googleAI().generativeModel(model: 'gemini-3.8-flash');
// Provide a text prompt to include with the audio
final prompt = TextPart("Transcribe what's said in this audio recording.");
// Prepare audio for input
final audio = await File('audio0.mp3').readAsBytes();
// Provide the audio as `Data` with the appropriate audio MIME type
final audioPart = InlineDataPart('audio/mpeg', audio);
// To generate text output, call `generateContent` with the text and audio
final response = await model.generateContent([
Content.multi([prompt,audioPart])
]);
// Print the generated text
print(response.text);
Unity
টেক্সট এবং একটি অডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে আপনি
GenerateContentAsync()
কল করতে পারেন।
using Firebase;
using Firebase.AI;
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// Create a `GenerativeModel` instance with a model that supports your use case.
var model = ai.GetGenerativeModel(modelName: "gemini-3.8-flash");
// Provide a text prompt to include with the audio
var prompt = ModelContent.Text("Transcribe what's said in this audio recording.");
// Provide the audio as `data` with the appropriate audio MIME type
var audio = ModelContent.InlineData("audio/mpeg",
System.IO.File.ReadAllBytes(System.IO.Path.Combine(
UnityEngine.Application.streamingAssetsPath, "audio0.mp3")));
// To generate text output, call `GenerateContentAsync` with the text and audio
var response = await model.GenerateContentAsync(new [] { prompt, audio });
// Print the generated text
UnityEngine.Debug.Log(response.Text ?? "No text in response.");
আপনার ব্যবহারের ক্ষেত্র ও অ্যাপের জন্য উপযুক্ত মডেল কীভাবে বেছে নেবেন তা জানুন।
উত্তর স্ট্রিম করা
|
এই স্যাম্পেল ব্যবহার করার আগে, আপনার প্রোজেক্ট ও অ্যাপ সেট-আপ করতে
এই গাইডের শুরু করার আগে বিভাগটি
সম্পূর্ণ করুন। সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রোভাইডারের জন্য একটি বোতামে ক্লিক করতে হবে যাতে আপনি এই পৃষ্ঠায় প্রোভাইডার-নির্দিষ্ট কন্টেন্ট দেখতে পান। |
মডেল জেনারেশন থেকে সম্পূর্ণ ফলাফলের জন্য অপেক্ষা না করে আপনি আরও দ্রুত ইন্টার্যাকশন করতে পারবেন
এবং পরিবর্তে আংশিক ফলাফল ম্যানেজ করতে স্ট্রিমিং ব্যবহার করতে পারবেন।
উত্তর স্ট্রিম করতে, generateContentStream কল করুন।
ইনপুট অডিও ফাইলের জন্য প্রয়োজনীয়তা ও সাজেশন
মনে রাখবেন, ইনলাইন ডেটা হিসেবে প্রদান করা ফাইল ট্রানজিটে base64-এ এনকোড করা হয়, যা অনুরোধের সাইজ বাড়িয়ে দেয়। অনুরোধ খুব বড় হলে, আপনি HTTP 413 সমস্যা দেখতে পাবেন।
নিম্নলিখিত বিষয়গুলি সম্পর্কে বিস্তারিত তথ্য জানতে "সাপোর্ট করে এমন ইনপুট ফাইল ও প্রয়োজনীয়তা" পৃষ্ঠা দেখুন:
- অনুরোধে ফাইল জমা দেওয়ার বিভিন্ন বিকল্প (ইনলাইন বা ফাইলের URL বা URI ব্যবহার করে)
- অডিও ফাইলের জন্য প্রয়োজনীয়তা ও পেশাদার পদ্ধতি
কাজ করে এমন অডিও MIME-এর ধরন
Gemini মাল্টিমডেল মডেলে নিম্নলিখিত অডিও MIME-এর প্রকার কাজ করে:
- AAC -
audio/aac - FLAC -
audio/flac - MP3 -
audio/mp3 - MPA -
audio/m4a - MPEG -
audio/mpeg - MPGA -
audio/mpga - MP4 -
audio/mp4 - OPUS -
audio/opus - PCM -
audio/pcm - WAV -
audio/wav - WEBM -
audio/webm
অনুরোধ প্রতি সীমা
প্রতিটি অনুরোধে সর্বাধিক ফাইলের সংখ্যা: ১টি অডিও ফাইল
তুমি আর কী কী করতে পারো?
- মডেলে দীর্ঘ প্রম্পট পাঠানোর আগে কীভাবে টোকেন গণনা করতে হয় তা জানুন।
- সেট-আপ Cloud Storage for Firebase যাতে আপনি মাল্টিমোডাল অনুরোধে বড় ফাইল অন্তর্ভুক্ত করতে পারেন এবং প্রম্পটে ফাইল দেওয়ার জন্য আরও ম্যানেজ করা সমাধান পেতে পারেন। ফাইলে ছবি, পিডিএফ, ভিডিও ও অডিও থাকতে পারে।
-
প্রোডাকশনের জন্য প্রস্তুতি নেওয়া শুরু করুন (প্রোডাকশন চেকলিস্ট দেখুন):
- যত তাড়াতাড়ি সম্ভব Firebase App Check প্রয়োগ করুন যাতে অননুমোদিত ক্লায়েন্টদের দ্বারা অপব্যবহার থেকে Gemini API-কে সুরক্ষিত রাখতে সাহায্য করা যায়।
- ব্যবহার করুন Firebase Remote Config অথবা সার্ভার প্রম্পট টেমপ্লেট যাতে আপনি নিজের অ্যাপের নতুন ভার্সন রিলিজ না করেই আপনার AI ফিচারের (যেমন মডেলের নাম) কনফিগারেশনে অন-ডিমান্ড পরিবর্তন করতে পারেন।
অন্যান্য সুবিধা ব্যবহার করে দেখুন
- মাল্টি-টার্ন কথোপকথন (চ্যাট) তৈরি করুন।
- শুধু-টেক্সট প্রম্পট থেকে টেক্সট জেনারেট করুন।
- টেক্সট ও মাল্টিমোডাল প্রম্পট, দু'টি থেকেই স্ট্রাকচার্ড আউটপুট (যেমন JSON) তৈরি করো ।
- টেক্সট ও মাল্টিমোডাল প্রম্পট, দুই ধরনের প্রম্পট থেকেই ছবি জেনারেট ও এডিট করা যায়।
- Gemini টেক্সট-টু-স্পিচ (TTS) মডেল ব্যবহার করে স্পিচ (একক ও একাধিক স্পিকার, উভয়ই) জেনারেট করুন।
- Gemini Live API ব্যবহার করে স্ট্রিম ইনপুট ও আউটপুট (অডিও সহ)।
-
আপনার অ্যাপের অন্যান্য অংশ এবং এক্সটার্নাল সিস্টেম ও তথ্যের সাথে Gemini মডেল কানেক্ট করতে
টুল (যেমন ফাংশন কলিং
এবং
Google Search বাGoogle Maps -এর সাথে গ্রাউন্ডিং) ব্যবহার করুন।
কন্টেন্ট জেনারেশন কীভাবে নিয়ন্ত্রণ করতে হয় তা জানুন
- প্রম্পট ডিজাইন সম্পর্কে বোঝা, যার মধ্যে পেশাদার পদ্ধতি, স্ট্র্যাটেজি ও উদাহরণ প্রম্পট অন্তর্ভুক্ত।
- মডেল প্যারামিটার কনফিগার করুন যেমন সর্বাধিক আউটপুট টোকেন, বারবার আউটপুট টোকেন দেখানোর সম্ভাবনা ইত্যাদি।
- ক্ষতিকর হিসেবে বিবেচিত হতে পারে এমন উত্তর পাওয়ার সম্ভাবনা অ্যাডজাস্ট করতে নিরাপত্তা সেটিংস ব্যবহার করুন।
কাজ করে এমন মডেল সম্পর্কে আরও জানুন
বিভিন্ন ব্যবহারের ক্ষেত্রে উপলভ্য মডেল এবং সেগুলির কোটা ও দাম সম্পর্কে জানুন।Firebase AI Logic-এর সাথে আপনার অভিজ্ঞতা সম্পর্কে মতামত জানান