Gemini API का इस्तेमाल करके, वीडियो फ़ाइलों का विश्लेषण करना

Gemini मॉडल से, वीडियो फ़ाइलों का विश्लेषण करने के लिए कहा जा सकता है. इन फ़ाइलों को इनलाइन (base64-encoded) या यूआरएल के ज़रिए उपलब्ध कराया जा सकता है. जब आप Firebase AI Logic, का इस्तेमाल करते हैं, तो अपने ऐप्लिकेशन से सीधे यह अनुरोध किया जा सकता है.

इस सुविधा की मदद से, ये काम किए जा सकते हैं:

  • वीडियो के लिए कैप्शन जनरेट करना और उनसे जुड़े सवालों के जवाब देना
  • टाइमस्टैंप का इस्तेमाल करके, वीडियो के खास सेगमेंट का विश्लेषण करना
  • ऑडियो ट्रैक और विज़ुअल फ़्रेम, दोनों को प्रोसेस करके वीडियो के कॉन्टेंट को टेक्स्ट में बदलना
  • वीडियो के बारे में जानकारी देना, उन्हें सेगमेंट में बांटना, और उनसे जानकारी निकालना. इसमें ऑडियो ट्रैक और विज़ुअल फ़्रेम, दोनों शामिल हैं

कोड के सैंपल पर जाएं स्ट्रीम किए गए जवाबों के लिए कोड पर जाएं


वीडियो के साथ काम करने के अन्य विकल्पों के लिए, अन्य गाइड देखें
स्ट्रक्चर्ड आउटपुट जनरेट करना सिलसिलेवार बातचीत

शुरू करने से पहले

इस पेज पर, अपने चुने गए Gemini API प्रोवाइडर के हिसाब से कॉन्टेंट और कोड देखने के लिए, उसके नाम पर क्लिक करें.

अगर आपने अब तक, 'शुरू करने के लिए गाइड' में दिए गए निर्देशों का पालन नहीं किया है, तो उन्हें पूरा करें. इसमें बताया गया है कि Firebase प्रोजेक्ट को कैसे सेट अप करें, अपने ऐप्लिकेशन को Firebase से कैसे कनेक्ट करें, एसडीके कैसे जोड़ें, अपने चुने गए Gemini API प्रोवाइडर के लिए बैकएंड सेवा को कैसे शुरू करें, और एक GenerativeModel इंस्टेंस कैसे बनाएं.

हम आपको Google AI StudioGoogle AI Studio का इस्तेमाल करने का सुझाव देते हैं. इससे, प्रॉम्प्ट की जांच की जा सकती है और उनमें बदलाव किया जा सकता है.

वीडियो फ़ाइलों (base64-encoded) से टेक्स्ट जनरेट करना

इस सैंपल को आज़माने से पहले, अपने प्रोजेक्ट और ऐप्लिकेशन को सेट अप करने के लिए, इस गाइड का 'शुरू करने से पहले' सेक्शन पूरा करें.
उस सेक्शन में, आपको अपने चुने हुए Gemini API प्रोवाइडर के लिए एक बटन पर भी क्लिक करना होगा, ताकि आपको इस पेज पर प्रोवाइडर के हिसाब से कॉन्टेंट दिखे.

Gemini मॉडल से, टेक्स्ट और वीडियो के साथ प्रॉम्प्ट करके टेक्स्ट जनरेट करने के लिए कहा जा सकता है. इसके लिए, हर इनपुट फ़ाइल का mimeType और फ़ाइल उपलब्ध कराएं. इनपुट फ़ाइलों के लिए ज़रूरी शर्तें और सुझाव, इस पेज पर आगे दिए गए हैं.

ध्यान दें कि इस उदाहरण में, फ़ाइल को इनलाइन उपलब्ध कराया गया है. हालांकि, एसडीके, YouTube यूआरएल का इस्तेमाल करके भी फ़ाइल उपलब्ध कराने की सुविधा देते हैं.

Swift

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.


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-3.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.

Kotlin के लिए, इस एसडीके में मौजूद तरीके, सस्पेंड फ़ंक्शन होते हैं. इन्हें कोरोटीन स्कोप से कॉल करना ज़रूरी है.

// 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-3.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.

Java के लिए, इस एसडीके में मौजूद तरीके, ListenableFuture दिखाते हैं.

// 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-3.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.


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-3.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.


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-3.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, GenerateContentAsync() को कॉल किया जा सकता है.


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-3.5-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.");

अपने इस्तेमाल के उदाहरण और ऐप्लिकेशन के लिए सही मॉडल

जवाब को स्ट्रीम करना

इस सैंपल को आज़माने से पहले, अपने प्रोजेक्ट और ऐप्लिकेशन को सेट अप करने के लिए, इस गाइड का 'शुरू करने से पहले' सेक्शन पूरा करें.
उस सेक्शन में, आपको अपने चुने हुए Gemini API प्रोवाइडर के लिए एक बटन पर भी क्लिक करना होगा, ताकि आपको इस पेज पर प्रोवाइडर के हिसाब से कॉन्टेंट दिखे.

मॉडल जनरेशन से पूरा नतीजा मिलने का इंतज़ार न करके, स्ट्रीमिंग का इस्तेमाल करके आंशिक नतीजों को हैंडल किया जा सकता है. इससे, इंटरैक्शन की स्पीड बढ़ाई जा सकती है. जवाब को स्ट्रीम करने के लिए, generateContentStream को कॉल करें.



इनपुट के तौर पर इस्तेमाल की जाने वाली वीडियो फ़ाइलों के लिए ज़रूरी शर्तें और सुझाव

ध्यान दें कि इनलाइन डेटा के तौर पर उपलब्ध कराई गई फ़ाइल को ट्रांज़िट में base64 में एनकोड किया जाता है. इससे, अनुरोध का साइज़ बढ़ जाता है. अगर कोई अनुरोध बहुत बड़ा है, तो आपको एचटीटीपी 413 गड़बड़ी मिलती है.

इनके बारे में ज़्यादा जानकारी पाने के लिए, "इनपुट के तौर पर इस्तेमाल की जा सकने वाली फ़ाइलें और ज़रूरी शर्तें" पेज देखें:

वीडियो के इस्तेमाल किए जा सकने वाले MIME टाइप

Gemini मल्टीमॉडल मॉडल, वीडियो के इन MIME टाइप के साथ काम करते हैं:

  • 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

हर अनुरोध के लिए सीमाएं

हर अनुरोध में ज़्यादा से ज़्यादा 10 वीडियो फ़ाइलें शामिल की जा सकती हैं



तुम और क्या कर सकती हो?

अन्य सुविधाओं को आज़माएं

कॉन्टेंट जनरेट करने की सुविधा को कंट्रोल करने का तरीका जानें

Google AI Studio का इस्तेमाल करके, प्रॉम्प्ट और मॉडल कॉन्फ़िगरेशन के साथ एक्सपेरिमेंट भी किया जा सकता है. साथ ही, जनरेट किया गया कोड स्निपेट भी पाया जा सकता है. Google AI Studio.

इस्तेमाल किए जा सकने वाले मॉडल के बारे में ज़्यादा जानें

अलग-अलग इस्तेमाल के उदाहरणों के लिए उपलब्ध मॉडल और उनके कोटों और कीमतके बारे में जानें.


सुझाव/राय देना या शिकायत करना के बारे में अपने अनुभव के साथ Firebase AI Logic