Gemini API ব্যবহার করে ডকুমেন্ট (যেমন, PDF) বিশ্লেষণ করা

আপনি Gemini মডেলকে আপনার দেওয়া ডকুমেন্ট ফাইল (যেমন, পিডিএফ ও প্লেন-টেক্সট ফাইল) বিশ্লেষণ করতে বলতে পারেন যা আপনি ইনলাইন (base64-এনকোড করা) বা URL-এর মাধ্যমে প্রদান করেছেন। আপনি Firebase AI Logic ব্যবহার করলে, আপনার অ্যাপ থেকে সরাসরি এই অনুরোধ করতে পারবেন।

এই ক্ষমতা ব্যবহার করে, আপনি এগুলি করতে পারবেন:

  • ডকুমেন্টের মধ্যে থাকা ডায়াগ্রাম, চার্ট ও টেবিল বিশ্লেষণ করা
  • স্ট্রাকচার্ড আউটপুট ফর্ম্যাটে তথ্য এক্সট্র্যাক্ট করা
  • ডকুমেন্টে থাকা ভিজ্যুয়াল ও টেক্সট কন্টেন্ট সম্পর্কে প্রশ্নের উত্তর দেওয়া
  • ডকুমেন্টের সারসংক্ষেপ করা
  • ডকুমেন্টের কন্টেন্ট ট্রান্সক্রাইব করা (যেমন, HTML-এ), লেআউট ও ফরম্যাটিং বজায় রাখা, যাতে ডাউনস্ট্রিম অ্যাপ্লিকেশন (যেমন, RAG পাইপলাইন) ব্যবহার করা যায়

এই নির্দেশিকাটি ডকুমেন্ট ইনপুট (যেমন, পিডিএফ) থেকে টেক্সট জেনারেট করা সম্পর্কে, তবে আপনি ডকুমেন্ট ইনপুট থেকে ছবিও জেনারেট করতে পারেন।

কোড স্যাম্পেলে যান স্ট্রিম করা উত্তরের কোডে যান


ডকুমেন্ট (যেমন, পিডিএফ) নিয়ে কাজ করার জন্য অতিরিক্ত বিকল্প পেতে অন্যান্য গাইড দেখুন
স্ট্রাকচার্ড আউটপুট তৈরি করো মাল্টি-টার্ন চ্যাট

শুরু করার আগে

এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট ও কোড দেখতে আপনার Gemini API প্রদানকারীর আইকনে 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 ইটারেট করার জন্য, আমরা Google AI Studio ব্যবহার করার সাজেশন দিই।

এই ক্ষমতা কাজ করে এমন মডেল

এই নির্দেশিকাটি ডকুমেন্ট ইনপুট (যেমন, PDF) থেকে টেক্সট জেনারেট করা সম্পর্কে এবং এটি নিচের Gemini মডেলগুলিতে প্রযোজ্য:

  • gemini-3.1-pro-preview
  • gemini-3.8-flash (এবং এর আগের gemini-3.7-flash, gemini-3.6-flash ও gemini-3.5-flash)
  • gemini-3.5-flash-lite (এবং পুরনো gemini-3.1-flash-lite)

সাধারণ-ব্যবহারের Gemini 2.5 মডেলগুলিতে এই কেপেবিলিটি কাজ করে, তবে সেগুলি সবকটিই বাতিল করা হয়েছে।

পিডিএফ ফাইল থেকে টেক্সট জেনারেট করা (base64-এনকোড করা)

এই নমুনা চেষ্টা করার আগে, আপনার প্রজেক্ট ও অ্যাপ সেট-আপ করতে এই গাইডের শুরু করার আগে বিভাগটি সম্পূর্ণ করুন।
সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য একটি বোতামেও ক্লিক করবেন যাতে আপনি এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট দেখতে পান।

আপনি Gemini মডেলকে টেক্সট ও PDF-এর মাধ্যমে প্রম্পট করে টেক্সট জেনারেট করতে বলতে পারেন—এর জন্য প্রতিটি ইনপুট ফাইলের mimeType ও ফাইলটি প্রদান করতে হবে। এই পৃষ্ঠায় পরে ইনপুট ফাইলের প্রয়োজনীয়তা ও সাজেশন দেখুন।

Swift

টেক্সট ও পিডিএফের 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 PDF as `Data` with the appropriate MIME type
let pdf = try InlineDataPart(data: Data(contentsOf: pdfURL), mimeType: "application/pdf")

// Provide a text prompt to include with the PDF file
let prompt = "Summarize the important results in this report."

// To generate text output, call `generateContent` with the PDF file and text prompt
let response = try await model.generateContent(pdf, prompt)

// Print the generated text, handling the case where it might be nil
print(response.text ?? "No text in response.")

Kotlin

টেক্সট ও পিডিএফের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে, আপনি generateContent() কল করতে পারেন।

Kotlin-এর ক্ষেত্রে, এই SDK-এর পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে করুটিন 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-3.8-flash")


val contentResolver = applicationContext.contentResolver

// Provide the URI for the PDF file you want to send to the model
val inputStream = contentResolver.openInputStream(pdfUri)

if (inputStream != null) {  // Check if the PDF file loaded successfully
    inputStream.use { stream ->
        // Provide a prompt that includes the PDF file specified above and text
        val prompt = content {
            inlineData(
                bytes = stream.readBytes(),
                mimeType = "application/pdf" // Specify the appropriate PDF file MIME type
            )
            text("Summarize the important results in this report.")
        }

        // 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 file.")
    // Handle the error appropriately
}

Java

টেক্সট ও পিডিএফের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে, আপনি generateContent() কল করতে পারেন।

Java-এর জন্য, এই SDK-এর পদ্ধতিগুলি একটি 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();

// Provide the URI for the PDF file you want to send to the model
try (InputStream stream = resolver.openInputStream(pdfUri)) {
    if (stream != null) {
        byte[] audioBytes = stream.readAllBytes();
        stream.close();

        // Provide a prompt that includes the PDF file specified above and text
        Content prompt = new Content.Builder()
              .addInlineData(audioBytes, "application/pdf")  // Specify the appropriate PDF file MIME type
              .addText("Summarize the important results in this report.")
              .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 pdf file", e);
} catch (URISyntaxException e) {
    Log.e(TAG, "Invalid pdf file", e);
}

Web

টেক্সট ও পিডিএফের 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 {
    inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
  };
}

async function run() {
  // Provide a text prompt to include with the PDF file
  const prompt = "Summarize the important results in this report.";

  // Prepare PDF file for input
  const fileInputEl = document.querySelector("input[type=file]");
  const pdfPart = await fileToGenerativePart(fileInputEl.files);

  // To generate text output, call `generateContent` with the text and PDF file
  const result = await model.generateContent([prompt, pdfPart]);

  // Log the generated text, handling the case where it might be undefined
  console.log(result.response.text() ?? "No text in response.");
}

run();

Dart

টেক্সট ও পিডিএফের 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 PDF file
final prompt = TextPart("Summarize the important results in this report.");

// Prepare the PDF file for input
final doc = await File('document0.pdf').readAsBytes();

// Provide the PDF file as `Data` with the appropriate PDF file MIME type
final docPart = InlineDataPart('application/pdf', doc);

// To generate text output, call `generateContent` with the text and PDF file
final response = await model.generateContent([
  Content.multi([prompt,docPart])
]);

// Print the generated text
print(response.text);

Unity

টেক্সট ও পিডিএফের 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 PDF file
var prompt = ModelContent.Text("Summarize the important results in this report.");

// Provide the PDF file as `data` with the appropriate PDF file MIME type
var doc = ModelContent.InlineData("application/pdf",
      System.IO.File.ReadAllBytes(System.IO.Path.Combine(
        UnityEngine.Application.streamingAssetsPath, "document0.pdf")));

// To generate text output, call `GenerateContentAsync` with the text and PDF file
var response = await model.GenerateContentAsync(new [] { prompt, doc });

// Print the generated text
UnityEngine.Debug.Log(response.Text ?? "No text in response.");

আপনার ব্যবহারিক ক্ষেত্র ও অ্যাপের জন্য উপযুক্ত মডেল কীভাবে বেছে নিতে হয় তা জানুন।

উত্তর স্ট্রিম করা

এই নমুনা চেষ্টা করার আগে, আপনার প্রজেক্ট ও অ্যাপ সেট-আপ করতে এই গাইডের শুরু করার আগে বিভাগটি সম্পূর্ণ করুন।
সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য একটি বোতামেও ক্লিক করবেন যাতে আপনি এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট দেখতে পান।

মডেল জেনারেশন থেকে সম্পূর্ণ ফলাফল পাওয়ার জন্য অপেক্ষা না করে, আপনি আরও দ্রুত ইন্টার‍্যাকশন করতে পারেন। এর পরিবর্তে, আংশিক ফলাফল ম্যানেজ করার জন্য স্ট্রিমিং ব্যবহার করুন। উত্তর স্ট্রিম করতে, generateContentStream কল করুন।



ইনপুট ডকুমেন্টের জন্য প্রয়োজনীয়তা ও সাজেশন

মনে রাখবেন, ইনলাইন ডেটা হিসেবে প্রদান করা ফাইল ট্রানজিটের সময় base64-এ এনকোড করা হয়, যার ফলে অনুরোধের সাইজ বেড়ে যায়। কোনও 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:

ডকুমেন্টের যেসব MIME ধরন কাজ করে

Gemini মাল্টিমোডাল মডেল নিম্নলিখিত ডকুমেন্ট MIME ধরন সাপোর্ট করে:

  • পিডিএফ - application/pdf
  • টেক্সট - text/plain

অনুরোধ পিছু সীমা

পিডিএফকে ছবি হিসেবে বিবেচনা করা হয়, তাই পিডিএফের একটি পৃষ্ঠা একটি ছবি হিসেবে বিবেচিত হয়। প্রম্পটে অনুমোদিত পৃষ্ঠার সংখ্যা, Gemini মাল্টিমোডাল মডেলের সাথে কাজ করতে পারে এমন ছবির সংখ্যার মধ্যে সীমাবদ্ধ।

  • প্রতিটি অনুরোধে সর্বাধিক ফাইল: ৩,০০০টি ফাইল
  • প্রতিটি ফাইলে সর্বাধিক পৃষ্ঠা: প্রতিটি ফাইলে ১,০০০ পৃষ্ঠা
  • প্রতিটি ফাইলের সর্বাধিক সাইজ: ৫০ এমবি



আপনি আর কী করতে পারেন?

  • মডেলকে বড় প্রম্পট পাঠানোর আগে, টোকেন কীভাবে 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 (দেখুন প্রোডাকশন চেকলিস্ট):
    • Firebase App Check এনফোর্স করুন যত তাড়াতাড়ি সম্ভব, যাতে Gemini API-কে অননুমোদিত ক্লায়েন্টের অপব্যবহার থেকে রক্ষা করা যায়।
    • ব্যবহার করুন Firebase Remote Config অথবা সার্ভার প্রম্পট টেমপ্লেট যাতে আপনার AI ফিচারের (যেমন মডেলের নাম) কনফিগারেশনে চাহিদা মতো পরিবর্তন করতে পারেন, এর জন্য অ্যাপের নতুন ভার্সন রিলিজ করার প্রয়োজন হবে না।

অন্যান্য সুবিধা ব্যবহার করে দেখুন

কন্টেন্ট জেনারেশন কীভাবে নিয়ন্ত্রণ করতে হয় তা জানুন

এছাড়াও, আপনি প্রম্পট ও মডেল কনফিগারেশন নিয়ে এক্সপেরিমেন্ট করতে পারেন এবং এমনকি Google AI Studio ব্যবহার করে জেনারেট করা কোড স্নিপেট পেতে পারেন।

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


অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।

2026-10-09 UTC-তে শেষবার আপডেট করা হয়েছে।