میتوانید از مدل Gemini بخواهید فایلهای صوتیای را که ارائه میدهید بهصورت درونخطی (کدبندیشده با base64) یا ازطریق نشانی وب تجزیهوتحلیل کند. وقتی از Firebase AI Logic استفاده میکنید، میتوانید این درخواست را مستقیماً از برنامهتان انجام دهید.
با این قابلیت میتوانید کارهایی ازاینقبیل انجام دهید:
- توصیف، خلاصه کردن، یا پاسخ دادن به سؤالات درباره محتوای صوتی
- آوانویسی محتوای صوتی
- تجزیهوتحلیل بخشهای خاصی از صدا بااستفاده از مُهر زمان
این راهنما درباره تولید نوشتار از ورودی صوتی است.
پرش به نمونههای کد پرش به کد برای پاسخهای جاریسازیشده
|
برای گزینههای بیشتر کار با صدا، راهنماهای دیگر را ببینید تولید برونداد ساختاریافته گپ چندنوبتی نوشتار به گفتار (TTS) جاریسازی دوسویه |
قبل از شروع
|
روی ارائهدهنده Gemini API خود کلیک کنید تا محتوا و کد مخصوص ارائهدهنده را در این صفحه مشاهده کنید. |
اگر قبلاً این کار را نکردهاید،
راهنمای شروع به کار را تکمیل کنید که نحوه
راهاندازی پروژه Firebase، اتصال برنامه به Firebase، افزودن کیت توسعه نرمافزار،
مقداردهی اولیه سرویس پسبک برای ارائهدهنده Gemini API انتخابی، و
ایجاد نمونه GenerativeModel را شرح میدهد.
برای آزمایش و تکرار پیاموارههایتان، توصیه میکنیم از Google AI Studio استفاده کنید.
مدلهایی که از این قابلیت پشتیبانی میکنند
این راهنما درباره تولید نوشتار از ورودی صوتی است و برای مدلهای Gemini زیر کاربرد دارد:
gemini-4-argon-
gemini-3.8-flash(و مدلهای قدیمیترgemini-3.7-flash،gemini-3.6-flash، وgemini-3.5-flash) -
gemini-3.5-flash-lite(وgemini-3.1-flash-liteقدیمیتر)
مدلهای gemini-3.1-pro-preview و Gemini 2.5 با کاربرد عمومی (که
منسوخ شدهاند) نیز از این قابلیت پشتیبانی میکنند.
تولید نوشتار از فایلهای صوتی (رمزگذاریشده با Base64)
|
قبلاز امتحان کردن این نمونه، بخش
قبلاز شروع این راهنما را تکمیل کنید
تا پروژه و برنامهتان را راهاندازی کنید. در آن بخش، روی دکمهای برای ارائهدهنده انتخابیتان Gemini API نیز کلیک خواهید کرد تا محتوای مختص ارائهدهنده را در این صفحه ببینید. |
میتوانید از مدل Gemini بخواهید
با پیامواره نوشتاری و صوتی، نوشتار تولید کند—mimeType فایل ورودی و خود فایل را ارائه دهید. الزامات و توصیههای مربوط به فایلهای ورودی را در ادامه این صفحه ببینید.
Swift
میتوانید
generateContent()
را فراخوانی کنید تا از ورودی چندحالتی نوشتار و یک فایل صوتی، نوشتار تولید کنید.
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
میتوانید با
generateContent()
تماس بگیرید تا از ورودی چندحالته نوشتار و یک فایل صوتی، نوشتار تولید کنید.
// 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
میتوانید
generateContent()
را فراخوانی کنید تا از ورودی چندحالتی نوشتار و یک فایل صوتی، نوشتار تولید کنید.
ListenableFuture را برمیگرداند.
// 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
میتوانید
generateContent()
را فراخوانی کنید تا از ورودی چندحالتی نوشتار و یک فایل صوتی، نوشتار تولید کنید.
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
میتوانید
generateContent()
را فراخوانی کنید تا از ورودی چندحالتی نوشتار و یک فایل صوتی، نوشتار تولید کنید.
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
میتوانید
GenerateContentAsync()
را فراخوانی کنید تا از ورودی چندحالتی نوشتار و یک فایل صوتی، نوشتار تولید کنید.
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.");
با نحوه انتخاب مدل مناسب برای مورد استفاده و برنامه خود آشنا شوید.
جاریسازی پاسخ
|
قبلاز امتحان کردن این نمونه، بخش
قبلاز شروع این راهنما را تکمیل کنید
تا پروژه و برنامهتان را راهاندازی کنید. در آن بخش، روی دکمهای برای ارائهدهنده انتخابیتان Gemini API نیز کلیک خواهید کرد تا محتوای مختص ارائهدهنده را در این صفحه ببینید. |
با منتظر نماندن برای دریافت کل نتیجه از تولید مدل و درعوض استفاده از جاریسازی برای مدیریت نتایج جزئی، میتوانید تعاملهای سریعتری داشته باشید.
برای جاریسازی پاسخ، با generateContentStream تماس بگیرید.
الزامات و توصیههای مربوط به فایلهای صوتی ورودی
توجه داشته باشید که فایلی که بهعنوان داده درونخطی ارائه میشود، در حین انتقال به base64 کدگذاری میشود که اندازه درخواست را افزایش میدهد. اگر درخواست خیلی بزرگ باشد، خطای HTTP 413 دریافت میکنید.
برای کسب اطلاعات دقیق درباره موارد زیر، به صفحه «فایلهای ورودی پشتیبانیشده و الزامات» مراجعه کنید:
- گزینههای مختلف برای ارائه فایل در درخواست (بهصورت درونخطی یا بااستفاده از نشانی وب یا شناسه منبع یکسان فایل)
- الزامات و روالهای مطلوب برای فایلهای صوتی
انواع MIME صوتی پشتیبانیشده
مدلهای چندحالتی Gemini از انواع MIME صوتی زیر پشتیبانی میکنند:
- 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
محدودیتها برای هر درخواست
حداکثر تعداد فایل در هر درخواست: ۱ فایل صوتی
چه کارهای دیگری میتوانید انجام دهید؟
- با نحوه شمارش کردن نشانهها پیشاز ارسال پیاموارههای طولانی به مدل آشنا شوید.
- Cloud Storage for Firebase را راهاندازی کنید تا بتوانید فایلهای بزرگ را در درخواستهای چندوجهیتان بگنجانید و راهحل مدیریتشدهتری برای ارائه فایل در پیاموارهها داشته باشید. فایلها میتوانند شامل تصاویر، فایلهای PDF، ویدیو، و صدا باشند.
-
به آمادهسازی برای تولید فکر کنید (به
بازبینه تولید مراجعه کنید):
- Firebase App Check را در اسرع وقت اجرا کنید تا به محافظت از Gemini API دربرابر سوءاستفاده کارخواههای غیرمجاز کمک کنید.
- از Firebase Remote Config یا الگوهای پیامواره سرور استفاده کنید تا بتوانید تغییرات درخواستی را در پیکربندیهای ویژگی هوش مصنوعی خود (مانند نام مدل) بدون انتشار نسخه جدیدی از برنامهتان اعمال کنید.
امتحان کردن قابلیتهای دیگر
- مکالمههای چند نوبتی (گپ) بسازید.
- تولید نوشتار از پیاموارههای فقط نوشتاری.
- برونداد ساختاریافته (مثل JSON) از پیاموارههای نوشتاری و چندحالته تولید کنید.
- تولید و ویرایش تصاویر از پیاموارههای نوشتاری و چندحالته.
- تولید گفتار (هم تکگوینده و هم چندگوینده) بااستفاده از مدلهای Gemini نوشتار به گفتار (TTS).
- جاریسازی ورودی و خروجی (ازجمله صدا) بااستفاده از Gemini Live API.
-
از ابزارهایی (مانند فراخوانی تابع
و «اتصال به واقعیت» با
Google Search یاGoogle Maps ) برای متصل کردن مدل Gemini به بخشهای دیگر برنامهتان و سیستمها و اطلاعات خارجی استفاده کنید.
با نحوه کنترل تولید محتوا آشنا شوید
- آشنایی با طراحی پیامواره، ازجمله روالهای مطلوب، استراتژیها، و پیاموارههای نمونه.
- پارامترهای مدل را پیکربندی کنید، مانند حداکثر دادهواحدهای برونداد، احتمال تکرار دادهواحدهای برونداد، و غیره.
- از تنظیمات ایمنی استفاده کنید تا احتمال دریافت پاسخهایی را که ممکن است مضر تلقی شوند تنظیم کنید.
درباره مدلهای پشتیبانیشده بیشتر بدانید
درباره مدلهای دردسترس برای موارد استفاده مختلف و سهمیهها و قیمتگذاری آنها بیشتر بدانید.درباره تجربهتان با Firebase AI Logic بازخورد ارائه دهید