Puedes pedirle a un modelo de Gemini que analice los archivos de video que proporciones, ya sea de forma intercalada (codificados en base64) o a través de una URL. Cuando usas Firebase AI Logic, puedes realizar esta solicitud directamente desde tu app.
Con esta función, puedes hacer lo siguiente:
- Genera subtítulos y responde preguntas sobre videos
- Analizar segmentos específicos de un video con marcas de tiempo
- Transcribir contenido de video procesando la pista de audio y los fotogramas visuales
- Describe, segmenta y extrae información de videos, incluidas la pista de audio y los fotogramas visuales
Esta guía trata sobre la generación de texto a partir de entradas de video, pero también puedes generar imágenes a partir de entradas de video.
Ir a las muestras de código Ir al código para las respuestas transmitidas
|
Consulta otras guías para conocer opciones adicionales para trabajar con videos Genera resultados estructurados Chat de varios turnos Genera imágenes |
Antes de comenzar
|
Haz clic en tu proveedor de Gemini API para ver el contenido y el código específicos del proveedor en esta página. |
Si aún no lo hiciste, completa la
guía de introducción, en la que se describe cómo
configurar tu proyecto de Firebase, conectar tu app a Firebase, agregar el SDK,
inicializar el servicio de backend para el proveedor de Gemini API que elijas y
crear una instancia de GenerativeModel.
Para probar y, luego, iterar tus instrucciones, te recomendamos usar Google AI Studio.
Modelos que admiten esta función
Esta guía trata sobre la generación de texto a partir de entradas de video y se aplica a los siguientes modelos de Gemini:
gemini-4-argongemini-3.8-flash(y los modelos anterioresgemini-3.7-flash,gemini-3.6-flashygemini-3.5-flash)gemini-3.5-flash-lite(y la versión anteriorgemini-3.1-flash-lite)
Los modelos gemini-3.1-pro-preview y Gemini 2.5 de uso general (que
dejaron de estar disponibles) también admiten esta capacidad.
Genera texto a partir de archivos de video (codificados en Base64)
|
Antes de probar esta muestra, completa la sección
Antes de comenzar de esta guía
para configurar tu proyecto y tu app. En esa sección, también harás clic en un botón para el proveedor de Gemini API que elijas, de modo que veas el contenido específico del proveedor en esta página. |
Puedes pedirle a un modelo de Gemini que
genere texto con instrucciones de texto y video, proporcionando el
mimeType de cada archivo de entrada y el archivo en sí. Consulta los
requisitos y las recomendaciones para los archivos de entrada
más adelante en esta página.
Swift
Puedes llamar a
generateContent()
para generar texto a partir de entradas multimodales de archivos de texto y video.
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 video as `Data` with the appropriate MIME type.
let video = InlineDataPart(data: try Data(contentsOf: videoURL), mimeType: "video/mp4")
// Provide a text prompt to include with the video
let prompt = "What is in the video?"
// To generate text output, call generateContent with the text and video
let response = try await model.generateContent(video, prompt)
print(response.text ?? "No text in response.")
Kotlin
Puedes llamar a
generateContent()
para generar texto a partir de entradas multimodales de archivos de texto y video.
// 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
contentResolver.openInputStream(videoUri).use { stream ->
stream?.let {
val bytes = stream.readBytes()
// Provide a prompt that includes the video specified above and text
val prompt = content {
inlineData(bytes, "video/mp4")
text("What is in the video?")
}
// To generate text output, call generateContent with the prompt
val response = model.generateContent(prompt)
Log.d(TAG, response.text ?: "")
}
}
Java
Puedes llamar a
generateContent()
para generar texto a partir de entradas multimodales de archivos de texto y video.
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(videoUri)) {
File videoFile = new File(new URI(videoUri.toString()));
int videoSize = (int) videoFile.length();
byte[] videoBytes = new byte[videoSize];
if (stream != null) {
stream.read(videoBytes, 0, videoBytes.length);
stream.close();
// Provide a prompt that includes the video specified above and text
Content prompt = new Content.Builder()
.addInlineData(videoBytes, "video/mp4")
.addText("What is in the video?")
.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 resultText = result.getText();
System.out.println(resultText);
}
@Override
public void onFailure(Throwable t) {
t.printStackTrace();
}
}, executor);
}
} catch (IOException e) {
e.printStackTrace();
} catch (URISyntaxException e) {
e.printStackTrace();
}
Web
Puedes llamar a
generateContent()
para generar texto a partir de entradas multimodales de archivos de texto y video.
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(',')[1]);
reader.readAsDataURL(file);
});
return {
type: "inlineData",
inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
};
}
async function run() {
// Provide a text prompt to include with the video
const prompt = "What do you see?";
const fileInputEl = document.querySelector("input[type=file]");
const videoPart = await fileToGenerativePart(fileInputEl.files[0]);
// To generate text output, call generateContent with the text and video
const result = await model.generateContent([prompt, videoPart]);
const response = result.response;
const text = response.text();
console.log(text);
}
run();
Dart
Puedes llamar a
generateContent()
para generar texto a partir de entradas multimodales de archivos de texto y video.
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 video
final prompt = TextPart("What's in the video?");
// Prepare video for input
final video = await File('video0.mp4').readAsBytes();
// Provide the video as `Data` with the appropriate mimetype
final videoPart = InlineDataPart('video/mp4', video);
// To generate text output, call generateContent with the text and images
final response = await model.generateContent([
Content.multi([prompt, videoPart])
]);
print(response.text);
Unity
Puedes llamar a
GenerateContentAsync()
para generar texto a partir de entradas multimodales de archivos de texto y video.
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 the video as `data` with the appropriate MIME type.
var video = ModelContent.InlineData("video/mp4",
System.IO.File.ReadAllBytes(System.IO.Path.Combine(
UnityEngine.Application.streamingAssetsPath, "yourVideo.mp4")));
// Provide a text prompt to include with the video
var prompt = ModelContent.Text("What is in the video?");
// To generate text output, call GenerateContentAsync with the text and video
var response = await model.GenerateContentAsync(new [] { video, prompt });
UnityEngine.Debug.Log(response.Text ?? "No text in response.");
Aprende a elegir un modelo adecuada para tu caso de uso y app.
Transmite la respuesta
|
Antes de probar esta muestra, completa la sección
Antes de comenzar de esta guía
para configurar tu proyecto y tu app. En esa sección, también harás clic en un botón para el proveedor de Gemini API que elijas, de modo que veas el contenido específico del proveedor en esta página. |
Puedes lograr interacciones más rápidas si no esperas el resultado completo de
la generación del modelo y, en su lugar, usas la transmisión para controlar los resultados parciales.
Para transmitir la respuesta, llama a generateContentStream.
Requisitos y recomendaciones para los archivos de video de entrada
Ten en cuenta que un archivo proporcionado como datos intercalados se codifica en base64 en tránsito, lo que aumenta el tamaño de la solicitud. Recibirás un error HTTP 413 si una solicitud es demasiado grande.
Consulta la página "Archivos de entrada y requisitos admitidos" para obtener información detallada sobre lo siguiente:
- Diferentes opciones para proporcionar un archivo en una solicitud (ya sea intercalado o con la URL o el URI del archivo)
- Requisitos y prácticas recomendadas para los archivos de video
Tipos de MIME de video admitidos
Los modelos multimodales de Gemini admiten los siguientes tipos de MIME de video:
- FLV -
video/x-flv - MOV -
video/quicktime - MPEG -
video/mpeg - MPEGPS -
video/mpegps - MPG -
video/mpg - MP4 -
video/mp4 - WEBM -
video/webm - WMV -
video/wmv - 3GPP -
video/3gpp
Límites por solicitud
Cantidad máxima de archivos por solicitud: 10 archivos de video
¿Qué más puedes hacer?
- Obtén más información para contar tokens antes de enviar instrucciones largas al modelo.
- Configura Cloud Storage for Firebase para que puedas incluir archivos grandes en tus solicitudes multimodales y tener una solución más administrada para proporcionar archivos en las instrucciones. Los archivos pueden incluir imágenes, PDFs, videos y audio.
-
Comienza a pensar en la preparación para la producción (consulta la
lista de tareas de producción):
- Aplica Firebase App Check lo antes posible para ayudar a proteger el Gemini API contra el abuso de clientes no autorizados.
- Usa Firebase Remote Config o plantillas de instrucciones del servidor para que puedas realizar cambios a pedido en los parámetros de configuración de tu función de IA (como el nombre del modelo) sin lanzar una versión nueva de la app.
Prueba otras funciones
- Compilar conversaciones de varios turnos (chat)
- Generar texto a partir de instrucciones solo de texto
- Generar un resultado estructurado (como JSON) a partir de instrucciones de texto y multimodales
- Generar y editar imágenes a partir de instrucciones de texto y multimodales
- Generar voz (tanto de un solo interlocutor como de varios) con los modelos de texto a voz (TTS) de Gemini.
-
Usa herramientas (como la llamada a función
y la fundamentación con
Google Search oGoogle Maps ) para conectar un modelo de Gemini a otras partes de tu app y a sistemas e información externos.
Aprende a controlar la generación de contenido
- Comprende el diseño de instrucciones, incluidas las prácticas recomendadas, las estrategias y las instrucciones de ejemplo.
- Configura los parámetros del modelo, como la cantidad máxima de tokens de salida, la probabilidad de que se repitan los tokens de salida, etcétera.
- Usa la configuración de seguridad para ajustar la probabilidad de obtener respuestas que puedan considerarse dañinas.
Más información sobre los modelos compatibles
Obtén información sobre los modelos disponibles para varios casos de uso, sus cuotas y sus precios.Envía comentarios sobre tu experiencia con Firebase AI Logic