Gemini API ব্যবহার করে অডিও ফাইল বিশ্লেষণ করুন৷

আপনি একটি জেমিনি মডেলকে আপনার সরবরাহ করা অডিও ফাইলগুলি ইনলাইন (base64-এনকোডেড) অথবা URL এর মাধ্যমে বিশ্লেষণ করতে বলতে পারেন। যখন আপনি Firebase AI Logic ব্যবহার করেন, তখন আপনি সরাসরি আপনার অ্যাপ থেকে এই অনুরোধটি করতে পারেন।

এই ক্ষমতা ব্যবহার করে, আপনি নিম্নলিখিত কাজগুলি করতে পারেন:

  • অডিও কন্টেন্ট সম্পর্কে বর্ণনা, সারসংক্ষেপ বা প্রশ্নের উত্তর দিন
  • অডিও কন্টেন্ট ট্রান্সক্রাইব করুন
  • টাইমস্ট্যাম্প ব্যবহার করে অডিওর নির্দিষ্ট অংশ বিশ্লেষণ করুন

কোড নমুনায় যান স্ট্রিম করা প্রতিক্রিয়াগুলির জন্য কোডে যান


অডিওর সাথে কাজ করার জন্য অতিরিক্ত বিকল্পগুলির জন্য অন্যান্য নির্দেশিকা দেখুন।
স্ট্রাকচার্ড আউটপুট তৈরি করুন মাল্টি-টার্ন চ্যাট দ্বিমুখী স্ট্রিমিং

শুরু করার আগে

এই পৃষ্ঠায় প্রোভাইডার-নির্দিষ্ট কন্টেন্ট এবং কোড দেখতে আপনার জেমিনি API প্রোভাইডারে ক্লিক করুন।

যদি আপনি ইতিমধ্যেই না করে থাকেন, তাহলে শুরু করার নির্দেশিকাটি সম্পূর্ণ করুন, যেখানে বর্ণনা করা হয়েছে কিভাবে আপনার Firebase প্রকল্প সেট আপ করবেন, আপনার অ্যাপটি Firebase-এর সাথে সংযুক্ত করবেন, SDK যোগ করবেন, আপনার নির্বাচিত Gemini API প্রদানকারীর জন্য ব্যাকএন্ড পরিষেবা শুরু করবেন এবং একটি GenerativeModel ইনস্ট্যান্স তৈরি করবেন।

আপনার প্রম্পটগুলি পরীক্ষা এবং পুনরাবৃত্তি করার জন্য, আমরা Google AI Studio ব্যবহার করার পরামর্শ দিচ্ছি।

অডিও ফাইল থেকে টেক্সট তৈরি করুন (base64-এনকোডেড)

এই নমুনাটি চেষ্টা করার আগে, আপনার প্রকল্প এবং অ্যাপ সেট আপ করতে এই নির্দেশিকার "শুরু করার আগে" বিভাগটি সম্পূর্ণ করুন।
সেই বিভাগে, আপনি আপনার নির্বাচিত Gemini API প্রদানকারীর জন্য একটি বোতামে ক্লিক করবেন যাতে আপনি এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট সামগ্রী দেখতে পান

আপনি একটি জেমিনি মডেলকে টেক্সট এবং অডিও প্রম্পট করে টেক্সট তৈরি করতে বলতে পারেন—ইনপুট ফাইলের mimeType এবং ফাইলটি নিজেই প্রদান করে। ইনপুট ফাইলের জন্য প্রয়োজনীয়তা এবং সুপারিশগুলি পরে এই পৃষ্ঠায় খুঁজুন।

সুইফট

আপনি টেক্সটের মাল্টিমোডাল ইনপুট এবং একটি একক অডিও ফাইল থেকে টেক্সট তৈরি করতে generateContent() কল করতে পারেন।


import FirebaseAI

// 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-2.5-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

আপনি টেক্সটের মাল্টিমোডাল ইনপুট এবং একটি একক অডিও ফাইল থেকে টেক্সট তৈরি করতে generateContent() কল করতে পারেন।

কোটলিনের জন্য, এই SDK-এর পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে একটি Coroutine স্কোপ থেকে কল করতে হবে।

// 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-2.5-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

আপনি টেক্সটের মাল্টিমোডাল ইনপুট এবং একটি একক অডিও ফাইল থেকে টেক্সট তৈরি করতে generateContent() কল করতে পারেন।

জাভার জন্য, এই SDK-এর পদ্ধতিগুলি একটি ListenableFuture প্রদান করে।

// 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-2.5-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

আপনি টেক্সটের মাল্টিমোডাল ইনপুট এবং একটি একক অডিও ফাইল থেকে টেক্সট তৈরি করতে 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-2.5-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 {
    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

আপনি টেক্সটের মাল্টিমোডাল ইনপুট এবং একটি একক অডিও ফাইল থেকে টেক্সট তৈরি করতে 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-2.5-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);

ঐক্য

মাল্টিমোডাল ইনপুট এবং একটি অডিও ফাইল থেকে টেক্সট তৈরি 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-2.5-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.");

মডেল কীভাবে নির্বাচন করবেন তা শিখুনআপনার ব্যবহারের ক্ষেত্রে এবং অ্যাপের জন্য উপযুক্ত।

প্রতিক্রিয়া স্ট্রিম করুন

এই নমুনাটি চেষ্টা করার আগে, আপনার প্রকল্প এবং অ্যাপ সেট আপ করতে এই নির্দেশিকার "শুরু করার আগে" বিভাগটি সম্পূর্ণ করুন।
সেই বিভাগে, আপনি আপনার নির্বাচিত Gemini API প্রদানকারীর জন্য একটি বোতামে ক্লিক করবেন যাতে আপনি এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট সামগ্রী দেখতে পান

মডেল জেনারেশন থেকে সম্পূর্ণ ফলাফলের জন্য অপেক্ষা না করে এবং আংশিক ফলাফল পরিচালনা করার জন্য স্ট্রিমিং ব্যবহার করে আপনি দ্রুত ইন্টারঅ্যাকশন অর্জন করতে পারেন। প্রতিক্রিয়া স্ট্রিম করতে, generateContentStream কল করুন।



ইনপুট অডিও ফাইলের জন্য প্রয়োজনীয়তা এবং সুপারিশ

মনে রাখবেন যে ইনলাইন ডেটা হিসেবে প্রদত্ত একটি ফাইল ট্রানজিটের সময় base64 এ এনকোড করা থাকে, যা অনুরোধের আকার বৃদ্ধি করে। যদি একটি অনুরোধ খুব বড় হয় তবে আপনি একটি HTTP 413 ত্রুটি পাবেন।

নিম্নলিখিত বিষয়গুলি সম্পর্কে বিস্তারিত তথ্য জানতে "সমর্থিত ইনপুট ফাইল এবং প্রয়োজনীয়তা" পৃষ্ঠাটি দেখুন:

সমর্থিত অডিও MIME প্রকারগুলি

জেমিনি মাল্টিমোডাল মডেলগুলি নিম্নলিখিত অডিও MIME প্রকারগুলিকে সমর্থন করে:

  • AAC - audio/aac
  • FLAC - audio/flac
  • MP3 - audio/mp3
  • এমপিএ - audio/m4a
  • এমপিইজি - audio/mpeg
  • এমপিজিএ - audio/mpga
  • MP4 - audio/mp4
  • ওপাস - audio/opus
  • পিসিএম - audio/pcm
  • WAV - audio/wav
  • WEBM - audio/webm

প্রতি অনুরোধের সীমা

প্রতি অনুরোধে সর্বোচ্চ ফাইল: ১টি অডিও ফাইল



তুমি আর কি করতে পারো?

  • মডেলটিতে দীর্ঘ প্রম্পট পাঠানোর আগে টোকেন গণনা শিখুন।
  • Cloud Storage for Firebase সেট আপ করুন যাতে আপনি আপনার মাল্টিমোডাল অনুরোধগুলিতে বড় ফাইলগুলি অন্তর্ভুক্ত করতে পারেন এবং প্রম্পটে ফাইল সরবরাহ করার জন্য আরও পরিচালিত সমাধান পেতে পারেন। ফাইলগুলিতে ছবি, PDF, ভিডিও এবং অডিও অন্তর্ভুক্ত থাকতে পারে।
  • উৎপাদনের প্রস্তুতি সম্পর্কে চিন্তাভাবনা শুরু করুন ( উৎপাদন চেকলিস্ট দেখুন), যার মধ্যে রয়েছে:

অন্যান্য ক্ষমতা চেষ্টা করে দেখুন

কন্টেন্ট তৈরি কীভাবে নিয়ন্ত্রণ করতে হয় তা শিখুন

আপনি Google AI Studio ব্যবহার করে প্রম্পট এবং মডেল কনফিগারেশন নিয়েও পরীক্ষা-নিরীক্ষা করতে পারেন এবং এমনকি একটি জেনারেট করা কোড স্নিপেটও পেতে পারেন।

সমর্থিত মডেলগুলি সম্পর্কে আরও জানুন

বিভিন্ন ব্যবহারের ক্ষেত্রে উপলব্ধ মডেল এবং তাদের কোটা এবং মূল্য সম্পর্কে জানুন।


Firebase AI Logic এর সাথে আপনার অভিজ্ঞতা সম্পর্কে মতামত দিন।