Você pode pedir a um Gemini modelo para analisar arquivos de áudio que você fornece inline (codificados em base64) ou por URL. Ao usar Firebase AI Logic, você pode fazer essa solicitação diretamente do seu app.
Com essa capacidade, você pode fazer coisas como:
- Descrever, resumir ou responder a perguntas sobre conteúdo de áudio
- Transcrever conteúdo de áudio
- Analisar segmentos específicos de áudio usando carimbos de data/hora
Este guia mostra como gerar texto com base na entrada de áudio.
Ir para exemplos de código Ir para o código de respostas transmitidas
|
Consulte outros guias para mais opções de trabalho com áudio Gerar saída estruturada Conversa multiturno Conversão de texto em voz (TTS) Streaming bidirecional |
Antes de começar
|
Clique no provedor Gemini API para conferir o conteúdo específico do provedor e o código nesta página. |
Se ainda não fez isso, conclua o
guia de primeiros passos, que descreve como
configurar seu projeto do Firebase, conectar seu app ao Firebase, adicionar o SDK,
inicializar o serviço de back-end para o provedor Gemini API escolhido e
criar uma instância de GenerativeModel.
Para testar e iterar seus comandos, recomendamos o uso do Google AI Studio.
Modelos que oferecem suporte a essa capacidade
Este guia mostra como gerar texto com base na entrada de áudio e é aplicável aos seguintes Gemini modelos:
gemini-3.1-pro-previewgemini-3.7-flash(e os mais antigosgemini-3.6-flashegemini-3.5-flash)gemini-3.5-flash-lite(e o mais antigogemini-3.1-flash-lite)
Os modelos de uso geral Gemini 2.5 oferecem suporte a esta capacidade, mas estão todos obsoletos.
Gerar texto com base em arquivos de áudio (codificados em base64)
|
Antes de testar este exemplo, conclua a seção
Antes de começar deste guia
para configurar seu projeto e app. Nessa seção, você também vai clicar em um botão para o provedor da API Gemini escolhido Gemini API para que o conteúdo específico do provedor seja exibido nesta página. |
Você pode pedir a um Gemini modelo para
gerar texto com comandos de texto e áudio, fornecendo a
mimeType do arquivo de entrada e o próprio arquivo. Encontre
os requisitos e recomendações para arquivos de entrada
mais adiante nesta página.
Swift
Você pode chamar
generateContent()
para gerar texto com base na entrada multimodal de texto e um único arquivo de áudio.
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-3.7-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
Você pode chamar
generateContent()
para gerar texto com base na entrada multimodal de texto e um único arquivo de áudio.
// 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-3.7-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
Você pode chamar
generateContent()
para gerar texto com base na entrada multimodal de texto e um único arquivo de áudio.
ListenableFuture.
// 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-3.7-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
Você pode chamar
generateContent()
para gerar texto com base na entrada multimodal de texto e um único arquivo de áudio.
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-3.7-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
Você pode chamar
generateContent()
para gerar texto com base na entrada multimodal de texto e um único arquivo de áudio.
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-3.7-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
Você pode chamar
GenerateContentAsync()
para gerar texto com base na entrada multimodal de texto e um único arquivo de áudio.
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-3.7-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.");
Saiba como escolher um modelo adequado para seu caso de uso e app.
Transmitir a resposta
|
Antes de testar este exemplo, conclua a seção
Antes de começar deste guia
para configurar seu projeto e app. Nessa seção, você também vai clicar em um botão para o provedor da API Gemini escolhido Gemini API para que o conteúdo específico do provedor seja exibido nesta página. |
Você pode ter interações mais rápidas sem esperar o resultado completo da geração do modelo e, em vez disso, usar o streaming para processar resultados parciais.
Para transmitir a resposta, chame generateContentStream.
Requisitos e recomendações para arquivos de áudio de entrada
Um arquivo fornecido como dados inline é codificado em base64 em trânsito, o que aumenta o tamanho da solicitação. Você recebe um erro HTTP 413 se uma solicitação for muito grande.
Consulte a página "Arquivos de entrada e requisitos compatíveis" para saber mais sobre o seguinte:
- Diferentes opções para fornecer um arquivo em uma solicitação (inline ou usando o URL ou URI do arquivo)
- Requisitos e práticas recomendadas para arquivos de áudio
Tipos MIME de áudio compatíveis
Gemini modelos multimodais são compatíveis com os seguintes tipos MIME de áudio:
- 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
Limites por solicitação
Número máximo de arquivos por solicitação: 1 arquivo de áudio
O que mais você sabe fazer?
- Saiba como contar tokens antes de enviar comandos longos para o modelo.
- Configure Cloud Storage for Firebase para incluir arquivos grandes nas solicitações multimodais e ter uma solução mais gerenciada para fornecer arquivos em comandos. Os arquivos podem incluir imagens, PDFs, vídeos e áudio.
-
Comece a pensar em se preparar para a produção (consulte a
lista de verificação de produção):
- Aplique Firebase App Check o mais cedo possível para ajudar a proteger Gemini API contra abusos de clientes não autorizados.
- Use Firebase Remote Config ou modelos de comandos do servidor para fazer mudanças sob demanda nas configurações do recurso de IA (como o nome do modelo) sem lançar uma nova versão do app.
Testar outros recursos
- Criar conversas multiturno (chat).
- Gerar texto com base em comandos somente de texto.
- Gerar saída estruturada (como JSON) com base em comandos de texto e multimodais.
- Gerar e editar imagens com base em comandos de texto e multimodais.
- Gerar fala (de um ou vários locutores) usando Gemini modelos de conversão de texto em voz (TTS).
- Transmitir entrada e saída (incluindo áudio) usando a Gemini Live API.
-
Usar ferramentas (como chamada de função
e Grounding com
Google Search ouGoogle Maps ) para conectar um modelo Gemini a outras partes do app e a sistemas e informações externos.
Saiba como controlar a geração de conteúdo
- Entenda o design de comandos, incluindo práticas recomendadas, estratégias e exemplos de comandos.
- Configure parâmetros do modelo como o número máximo de tokens de saída, a probabilidade de tokens de saída repetidos etc.
- Use as configurações de segurança para ajustar a probabilidade de receber respostas que possam ser consideradas prejudiciais.
Saiba mais sobre os modelos compatíveis
Saiba mais sobre os modelos disponíveis para vários casos de uso e as cotas e preços deles.Enviar feedback sobre sua experiência com Firebase AI Logic