تحليل الملفات الصوتية باستخدام Gemini API

يمكنك أن تطلب من أحد نماذج Gemini تحليل الملفات الصوتية التي تقدّمها إما مضمّنة (ترميز base64) أو عبر عنوان URL. عند استخدام Firebase AI Logic, يمكنك تقديم هذا الطلب مباشرةً من تطبيقك.

باستخدام هذه الإمكانية، يمكنك تنفيذ مهام مثل:

  • وصف المحتوى الصوتي أو تلخيصه أو الإجابة عن أسئلة بشأنه
  • تحويل المحتوى الصوتي إلى نص
  • تحليل شرائح معيّنة من المحتوى الصوتي باستخدام الطوابع الزمنية

يتناول هذا الدليل كيفية إنشاء نص من الإدخال الصوتي.

الانتقال إلى نماذج الرموز البرمجية الانتقال إلى الرمز البرمجي للردود التي يتم عرضها تدريجيًا


اطّلِع على الأدلة الأخرى لمعرفة خيارات إضافية للتعامل مع المحتوى الصوتي
إنشاء ناتج منظَّم محادثة متعددة الأدوار تحويل النص إلى كلام (TTS) عرض الردود تدريجيًا في اتجاهين

قبل البدء

انقر على موفّر Gemini API لعرض المحتوى والرمز البرمجي الخاصَّين بالموفّر على هذه الصفحة.

إذا لم يسبق لك ذلك، يُرجى إكمال دليل البدء الذي يوضّح كيفية إعداد مشروع Firebase وربط تطبيقك بـ Firebase وإضافة حزمة تطوير البرامج (SDK) و تهيئة خدمة الخلفية لموفّر Gemini API الذي اخترته و إنشاء مثيل GenerativeModel.

لاختبار طلباتك وتكرارها، ننصحك باستخدام Google AI Studio.

النماذج التي تتيح هذه الإمكانية

يتناول هذا الدليل كيفية إنشاء نص من الإدخال الصوتي، وينطبق على النماذج التالية: Gemini

  • gemini-4-argon
  • gemini-3.8-flash (والإصدارات الأقدم gemini-3.7-flash وgemini-3.6-flash وgemini-3.5-flash)
  • gemini-3.5-flash-lite (والإصدار الأقدم gemini-3.1-flash-lite)

يتيح هذا النموذج أيضًا إمكانية gemini-3.1-pro-preview ونماذج Gemini 2.5 للاستخدام العام (التي تم إيقافها).

إنشاء نص من الملفات الصوتية (ترميز base64)

قبل تجربة هذا النموذج، يُرجى إكمال قسم قبل البدء في هذا الدليل لإعداد مشروعك وتطبيقك.
في هذا القسم، ستنقر أيضًا على زر لموفّر Gemini API الذي اخترته حتى يظهر لك المحتوى الخاص بالموفّر على هذه الصفحة.

يمكنك أن تطلب من أحد نماذج Gemini أن ينشئ نصًا من خلال تقديم نص ومحتوى صوتي، مع توفير ملف الإدخال mimeType والملف نفسه. يمكنك الاطّلاع على المتطلبات والاقتراحات الخاصة بملفات الإدخال لاحقًا في هذه الصفحة.

Swift

يمكنك استدعاء generateContent() لإنشاء نصّ من إنشاء الذكاء الاصطناعي من إدخال متعدد الوسائط يتضمّن نصًا وملفًا صوتيًا واحدًا.


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

يمكنك استدعاء generateContent() لإنشاء نصّ من إنشاء الذكاء الاصطناعي من إدخال متعدد الوسائط يتضمّن نصًا وملفًا صوتيًا واحدًا.

بالنسبة إلى Kotlin، تكون الطرق في حزمة تطوير البرامج (SDK) هذه دوال تعليق ويجب استدعاؤها من نطاق روتيني.

// 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

يمكنك استدعاء generateContent() لإنشاء نصّ من إنشاء الذكاء الاصطناعي من إدخال متعدد الوسائط يتضمّن نصًا وملفًا صوتيًا واحدًا.

بالنسبة إلى Java، تعرض الطرق في حزمة تطوير البرامج (SDK) هذه 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-3.8-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

يمكنك استدعاء generateContent() لإنشاء نصّ من إنشاء الذكاء الاصطناعي من إدخال متعدد الوسائط يتضمّن نصًا وملفًا صوتيًا واحدًا.


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

يمكنك استدعاء generateContent() لإنشاء نصّ من إنشاء الذكاء الاصطناعي من إدخال متعدد الوسائط يتضمّن نصًا وملفًا صوتيًا واحدًا.


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

يمكنك استدعاء GenerateContentAsync() لإنشاء نصّ من إنشاء الذكاء الاصطناعي من إدخال متعدد الوسائط يتضمّن نصًا وملفًا صوتيًا واحدًا.


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.");

كيفية اختيار نموذج مناسبَين لحالة الاستخدام والتطبيق

عرض الرد تدريجيًا

قبل تجربة هذا النموذج، يُرجى إكمال قسم قبل البدء في هذا الدليل لإعداد مشروعك وتطبيقك.
في هذا القسم، ستنقر أيضًا على زر لموفّر Gemini API الذي اخترته حتى يظهر لك المحتوى الخاص بالموفّر على هذه الصفحة.

يمكنك تحقيق تفاعلات أسرع من خلال عدم انتظار النتيجة الكاملة من إنشاء النموذج، واستخدام ميزة عرض الردود تدريجيًا بدلاً من ذلك للتعامل مع النتائج الجزئية. لعرض الرد تدريجيًا، استدعِ generateContentStream.



المتطلبات والاقتراحات الخاصة بالملفات الصوتية للإدخال

يُرجى العِلم أنّ الملف الذي يتم تقديمه كبيانات مضمّنة يتم ترميزه إلى base64 أثناء النقل، ما يزيد من حجم الطلب. ستتلقّى خطأ HTTP 413 إذا كان الطلب كبيرًا جدًا.

يُرجى الاطّلاع على صفحة "الملفات المتوافقة للإدخال والمتطلبات" لمعرفة معلومات مفصّلة حول ما يلي:

أنواع MIME المتوافقة للملفات الصوتية

تتيح نماذج Gemini المتعددة الوسائط أنواع MIME التالية للملفات الصوتية:

  • 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

الحدود لكل طلب

الحد الأقصى لعدد الملفات لكل طلب: ملف صوتي واحد



ما المهام الأخرى التي يمكنك تنفيذها؟

  • تعرّف على كيفية حساب الرموز المميّزة قبل إرسال طلبات طويلة إلى النموذج.
  • إعداد Cloud Storage for Firebase حتى تتمكّن من تضمين ملفات كبيرة في طلباتك المتعددة الوسائط والحصول على حلّ أكثر إدارة لتقديم الملفات في الطلبات يمكن أن تشمل الملفات الصور وملفات PDF والفيديوهات والملفات الصوتية.
  • بدء التفكير في الاستعداد للطرح في مرحلة الإنتاج (الاطّلاع على قائمة التحقّق من مرحلة الإنتاج):
    • فرض Firebase App Check ميزة "التحقّق من تطبيق Firebase" في أقرب وقت ممكن للمساعدة في حماية Gemini API من إساءة الاستخدام من قِبل العملاء غير المصرّح لهم
    • استخدام Firebase Remote Config أو نماذج الطلبات على الخادم حتى تتمكّن من إجراء تغييرات عند الطلب على إعدادات ميزة الذكاء الاصطناعي (مثل اسم النموذج) بدون طرح إصدار جديد من تطبيقك

تجربة إمكانات أخرى

كيفية التحكّم في إنشاء المحتوى

يمكنك أيضًا تجربة الطلبات وإعدادات النموذج، وحتى الحصول على مقتطف رمز برمجي من إنشاء الذكاء الاصطناعي باستخدام Google AI Studio.

مزيد من المعلومات عن النماذج المتوافقة

التعرّف على الـ نماذج المتاحة لحالات الاستخدام المختلفة وحصصها و أسعارها.


تقديم ملاحظاتك حول تجربتك مع Firebase AI Logic