Możesz poprosić model Gemini o analizę plików wideo, które podasz w treści (zakodowane w formacie Base64) lub za pomocą adresu URL. Gdy korzystasz z Firebase AI Logic, możesz wysłać tę prośbę bezpośrednio z aplikacji.
Dzięki tej funkcji możesz m.in.:
- Tworzenie napisów i odpowiadanie na pytania dotyczące filmów
- Analizowanie konkretnych segmentów filmu za pomocą sygnatur czasowych
- transkrypcja treści wideo poprzez przetwarzanie ścieżki audio i klatek wizualnych;
- Opisuj, segmentuj i wyodrębniaj informacje z filmów, w tym ścieżkę audio i klatki wizualne.
Ten przewodnik dotyczy generowania tekstu na podstawie danych wejściowych wideo, ale możesz też generować obrazy na podstawie danych wejściowych wideo.
Przejdź do przykładowych fragmentów kodu Przejdź do kodu dla odpowiedzi przesyłanych strumieniowo
|
Więcej opcji pracy z filmami znajdziesz w innych przewodnikach Generowanie danych strukturalnych Czat wieloetapowy Generowanie obrazów |
Zanim zaczniesz
|
Kliknij Gemini API dostawcę, aby wyświetlić na tej stronie treści i kod dostawcy. |
Jeśli jeszcze tego nie zrobisz, zapoznaj się z przewodnikiem dla początkujących, w którym opisujemy, jak skonfigurować projekt w Firebase, połączyć aplikację z Firebase, dodać pakiet SDK, zainicjować usługę backendu dla wybranego Gemini API dostawcy i utworzyć GenerativeModel instancję.
Do testowania i ulepszania promptów zalecamy używanie Google AI Studio.
Modele obsługujące tę funkcję
Ten przewodnik dotyczy generowania tekstu na podstawie danych wejściowych wideo i ma zastosowanie do tych Gemini modeli:
gemini-3.1-pro-previewgemini-3.8-flash(oraz starsze wersjegemini-3.7-flash,gemini-3.6-flashigemini-3.5-flash)gemini-3.5-flash-lite(i starszygemini-3.1-flash-lite)
Ogólne modele Gemini 2.5 obsługują tę funkcję, ale wszystkie zostały wycofane.
Generowanie tekstu z plików wideo (zakodowanych w formacie base64)
|
Zanim wypróbujesz ten przykład, wykonaj czynności opisane w sekcji Zanim zaczniesz tego przewodnika, aby skonfigurować projekt i aplikację. W tej sekcji klikniesz też przycisk wybranego dostawcyGemini API, aby na tej stronie wyświetlać treści dotyczące tego dostawcy. |
Możesz poprosić model Gemini o wygenerowanie tekstu, podając tekst i film – każdy plik wejściowy musi zawierać mimeType i sam plik. Wymagania i rekomendacje dotyczące plików wejściowych znajdziesz w dalszej części tej strony.
Swift
Możesz wywołać funkcję
generateContent()
aby generować tekst na podstawie multimodalnych danych wejściowych w postaci tekstu i plików wideo.
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
Możesz wywołać funkcję
generateContent()
aby generować tekst na podstawie multimodalnych danych wejściowych w postaci tekstu i plików wideo.
// 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
Możesz wywołać funkcję
generateContent()
aby generować tekst na podstawie multimodalnych danych wejściowych w postaci tekstu i plików wideo.
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
Możesz wywołać funkcję
generateContent()
aby generować tekst na podstawie multimodalnych danych wejściowych w postaci tekstu i plików wideo.
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 {
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
Możesz wywołać funkcję
generateContent(), aby wygenerować tekst na podstawie multimodalnych danych wejściowych w postaci tekstu i plików wideo.
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
Możesz wywołać funkcję
GenerateContentAsync()
aby generować tekst na podstawie multimodalnych danych wejściowych w postaci tekstu i plików wideo.
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.");
Dowiedz się, jak wybrać model odpowiednie do Twojego przypadku użycia i aplikacji.
Wyświetlaj odpowiedź stopniowo
|
Zanim wypróbujesz ten przykład, wykonaj czynności opisane w sekcji Zanim zaczniesz tego przewodnika, aby skonfigurować projekt i aplikację. W tej sekcji klikniesz też przycisk wybranego dostawcyGemini API, aby na tej stronie wyświetlać treści dotyczące tego dostawcy. |
Możesz uzyskać szybsze interakcje, nie czekając na cały wynik generowania modelu, i zamiast tego używać przesyłania strumieniowego do obsługi częściowych wyników.
Aby przesyłać strumieniowo odpowiedź, wywołaj generateContentStream.
Wymagania i zalecenia dotyczące wejściowych plików wideo
Pamiętaj, że plik podany jako dane wbudowane jest podczas przesyłania kodowany w standardzie base64, co zwiększa rozmiar żądania. Jeśli żądanie jest zbyt duże, otrzymasz błąd HTTP 413.
Szczegółowe informacje o tych kwestiach znajdziesz na stronie „Obsługiwane pliki wejściowe i wymagania”:
- Różne opcje przesyłania pliku w żądaniu (wbudowane lub za pomocą adresu URL lub URI pliku)
- Wymagania i sprawdzone metody dotyczące plików wideo
Obsługiwane typy MIME filmów
Gemini Modele multimodalne obsługują te typy MIME filmów:
- 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
Limity na żądanie
Maksymalna liczba plików w żądaniu: 10 plików wideo
Co jeszcze możesz zrobić?
- Dowiedz się, jak liczyć tokeny przed wysłaniem długich promptów do modelu.
- Skonfiguruj Cloud Storage for Firebase, aby móc dołączać duże pliki do żądań multimodalnych i korzystać z bardziej zarządzanego rozwiązania do udostępniania plików w promptach. Pliki mogą zawierać obrazy, pliki PDF, filmy i pliki audio.
-
Zacznij myśleć o przygotowaniu do wdrożenia wersji produkcyjnej (zapoznaj się z listą kontrolną dotyczącą wdrożenia wersji produkcyjnej):
- Wymuszaj Firebase App Check jak najwcześniej, aby chronić Gemini API przed nadużyciami ze strony nieautoryzowanych klientów.
- Używaj Firebase Remote Config lub szablonów promptów serwera, aby móc wprowadzać zmiany w konfiguracjach funkcji AI (np. w nazwie modelu) na żądanie bez publikowania nowej wersji aplikacji.
Wypróbuj inne funkcje
- Twórz rozmowy wieloetapowe (czat).
- generować tekst na podstawie promptów zawierających tylko tekst,
- Generowanie danych wyjściowych o strukturze (np. JSON) na podstawie promptów tekstowych i multimodalnych.
- Generowanie i edytowanie obrazów na podstawie promptów tekstowych i multimodalnych.
- Generowanie mowy (z jednym lub wieloma mówcami) za pomocą Gemini modeli zamiany tekstu na mowę (TTS).
-
Używaj narzędzi (takich jak wywoływanie funkcji
i uzyskiwanie podstawowych informacji za pomocą
Google Search lubGoogle Maps ), aby połączyć model Gemini z innymi częściami aplikacji oraz zewnętrznymi systemami i informacjami.
Dowiedz się, jak kontrolować generowanie treści
- Poznaj projektowanie promptów, w tym sprawdzone metody, strategie i przykładowe prompty.
- Skonfiguruj parametry modelu, takie jak maksymalna liczba tokenów wyjściowych, prawdopodobieństwo powtórzenia tokenów wyjściowych itp.
- Użyj ustawień bezpieczeństwa, aby dostosować prawdopodobieństwo otrzymania odpowiedzi, które mogą być uznane za szkodliwe.
Więcej informacji o obsługiwanych modelach
Dowiedz się więcej o modelach dostępnych w różnych zastosowaniach, ich limitach i cenach.Prześlij opinię o korzystaniu z usługi Firebase AI Logic