আপনি Gemini মডেলকে আপনার দেওয়া ভিডিও ফাইল বিশ্লেষণ করতে বলতে পারেন ইনলাইন (base64-এনকোডেড) বা URL-এর মাধ্যমে। আপনি Firebase AI Logic ব্যবহার করলে, আপনার অ্যাপ থেকে সরাসরি এই অনুরোধ করতে পারবেন।
এই ক্ষমতার সাহায্যে, আপনি এগুলি করতে পারবেন:
- ভিডিও সম্পর্কে ক্যাপশন ও প্রশ্নের উত্তর দিন
- টাইমস্ট্যাম্প ব্যবহার করে ভিডিওর নির্দিষ্ট অংশ বিশ্লেষণ করুন
- অডিও ট্র্যাক ও ভিজ্যুয়াল ফ্রেম, দুটিই প্রসেস করে ভিডিও কন্টেন্ট ট্রান্সক্রাইব করুন
- অডিও ট্র্যাক ও ভিজ্যুয়াল ফ্রেম সহ ভিডিওর বিবরণ দেওয়া, সেগমেন্ট করা ও তথ্য এক্সট্র্যাক্ট করা
এই নির্দেশিকা ভিডিও ইনপুট থেকে টেক্সট জেনারেট করার বিষয়ে, তবে আপনি ভিডিও ইনপুট থেকে ছবি জেনারেট করতে পারবেন।
কোড স্যাম্পেলে যান স্ট্রিম করা উত্তরের জন্য কোডে যান
|
ভিডিও নিয়ে কাজ করার জন্য অতিরিক্ত বিকল্পের ব্যাপারে অন্যান্য গাইড দেখুন স্ট্রাকচার্ড আউটপুট জেনারেট করুন মাল্টি-টার্ন চ্যাট ছবি জেনারেট করুন |
শুরু করার আগে
|
এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট এবং কোড দেখতে আপনার Gemini API প্রদানকারীর উপর ক্লিক করুন। |
আপনি এখনও না করে থাকলে,
শুরু করার নির্দেশিকা সম্পূর্ণ করুন, যেখানে আপনার Firebase প্রোজেক্ট কীভাবে সেট-আপ করবেন,
Firebase-এর সাথে আপনার অ্যাপ কানেক্ট করবেন, SDK যোগ করবেন,
আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য ব্যাকএন্ড পরিষেবা শুরু করবেন এবং
GenerativeModel ইনস্ট্যান্স তৈরি করবেন তা বর্ণনা করা হয়েছে।
আপনার প্রম্পট পরীক্ষা ও পুনরাবৃত্তি করার জন্য, আমরা Google AI Studio ব্যবহার করার সাজেশন দিই।
এই ক্ষমতা আছে এমন মডেল
এই নির্দেশিকা ভিডিও ইনপুট থেকে টেক্সট জেনারেট করার ব্যাপারে এবং এটি নিম্নলিখিত Gemini মডেলের ক্ষেত্রে প্রযোজ্য:
gemini-4-argongemini-3.8-flash(এবং পুরনোgemini-3.7-flash,gemini-3.6-flashওgemini-3.5-flash)gemini-3.5-flash-lite(এবং পুরনোgemini-3.1-flash-lite)
gemini-3.1-pro-preview এবং সাধারণ-ব্যবহারের Gemini 2.5 মডেল (যা
বন্ধ করা হয়েছে) এই ক্ষমতাকে সমর্থন করে।
ভিডিও ফাইল (base64-এনকোডেড) থেকে টেক্সট জেনারেট করুন
|
এই স্যাম্পেল ব্যবহার করার আগে, আপনার প্রোজেক্ট ও অ্যাপ সেট-আপ করতে
এই গাইডের শুরু করার আগে বিভাগটি
সম্পূর্ণ করুন। সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রোভাইডারের জন্য একটি বোতামে ক্লিক করতে হবে যাতে আপনি এই পৃষ্ঠায় প্রোভাইডার-নির্দিষ্ট কন্টেন্ট দেখতে পান। |
আপনি Gemini মডেলকে
টেক্সট ও ভিডিওর মাধ্যমে প্রম্পট করে টেক্সট জেনারেট করতে বলতে পারেন—প্রতিটি
ইনপুট ফাইলের mimeType এবং ফাইলটি নিজেই প্রদান করে। এই পৃষ্ঠায় পরে
ইনপুট ফাইলের জন্য প্রয়োজনীয়তা ও সাজেশন
খুঁজুন।
Swift
টেক্সট ও ভিডিও ফাইলের 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 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
টেক্সট ও ভিডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে আপনি
generateContent()
কল করতে পারেন।
// 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
টেক্সট ও ভিডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে আপনি
generateContent()
কল করতে পারেন।
ListenableFuture রিটার্ন করে।
// 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
টেক্সট ও ভিডিও ফাইলের 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(',')[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
আপনি
generateContent()
কল করে টেক্সট ও ভিডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে পারবেন।
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
টেক্সট ও ভিডিও ফাইলের 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 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.");
আপনার ব্যবহারের ক্ষেত্র ও অ্যাপের জন্য উপযুক্ত মডেল কীভাবে বেছে নেবেন তা জানুন।
উত্তর স্ট্রিম করুন
|
এই স্যাম্পেল ব্যবহার করার আগে, আপনার প্রোজেক্ট ও অ্যাপ সেট-আপ করতে
এই গাইডের শুরু করার আগে বিভাগটি
সম্পূর্ণ করুন। সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রোভাইডারের জন্য একটি বোতামে ক্লিক করতে হবে যাতে আপনি এই পৃষ্ঠায় প্রোভাইডার-নির্দিষ্ট কন্টেন্ট দেখতে পান। |
মডেল জেনারেশন থেকে সম্পূর্ণ ফলাফলের জন্য অপেক্ষা না করে আপনি আরও দ্রুত ইন্টার্যাকশন করতে পারবেন
এবং পরিবর্তে আংশিক ফলাফল ম্যানেজ করতে স্ট্রিমিং ব্যবহার করতে পারবেন।
উত্তর স্ট্রিম করতে, generateContentStream কল করুন।
ইনপুট ভিডিও ফাইলের জন্য প্রয়োজনীয়তা ও সাজেশন
মনে রাখবেন, ইনলাইন ডেটা হিসেবে প্রদান করা ফাইল ট্রানজিটে base64-এ এনকোড করা হয়, যা অনুরোধের সাইজ বাড়িয়ে দেয়। অনুরোধ খুব বড় হলে, আপনি HTTP 413 সমস্যা দেখতে পাবেন।
নিচে উল্লেখ করা বিষয় সম্পর্কে বিস্তারিত তথ্য জানতে "কাজ করে এমন ইনপুট ফাইল ও প্রয়োজনীয়তা" পৃষ্ঠা দেখুন:
- অনুরোধে ফাইল প্রদান করার জন্য বিভিন্ন বিকল্প (ইনলাইন বা ফাইলের URL বা URI ব্যবহার করে)
- ভিডিও ফাইলের জন্য প্রয়োজনীয়তা ও পেশাদার পদ্ধতি
যেসব ভিডিও MIME-এর প্রকার কাজ করে
Gemini মাল্টিমডেল মডেল নিম্নলিখিত ভিডিও MIME-এর প্রকার সাপোর্ট করে:
- 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
অনুরোধ প্রতি সীমা
প্রতিটি অনুরোধে সর্বাধিক ফাইলের সংখ্যা: ১০টি ভিডিও ফাইল
তুমি আর কী কী করতে পারো?
- মডেলে দীর্ঘ প্রম্পট পাঠানোর আগে কীভাবে টোকেন গণনা করতে হয় তা জানুন।
- Cloud Storage for Firebase সেট-আপ করুন যাতে আপনি মাল্টিমডেল অনুরোধে বড় ফাইল অন্তর্ভুক্ত করতে পারেন এবং প্রম্পটে ফাইল দেওয়ার জন্য আরও ম্যানেজ করা সমাধান পান। ফাইলের মধ্যে ছবি, পিডিএফ, ভিডিও ও অডিও থাকতে পারে।
-
প্রোডাকশনের জন্য প্রস্তুতি নেওয়া শুরু করুন (প্রোডাকশন চেকলিস্ট দেখুন):
- যত তাড়াতাড়ি সম্ভব Firebase App Check প্রয়োগ করুন যাতে অননুমোদিত ক্লায়েন্টদের দ্বারা অপব্যবহার থেকে Gemini API-কে সুরক্ষিত রাখতে সাহায্য করা যায়।
- ব্যবহার করুন Firebase Remote Config অথবা সার্ভার প্রম্পট টেমপ্লেট যাতে আপনি নিজের অ্যাপের নতুন ভার্সন রিলিজ না করেই আপনার AI ফিচারের (যেমন মডেলের নাম) কনফিগারেশনে অন-ডিমান্ড পরিবর্তন করতে পারেন।
অন্যান্য ক্ষমতা ব্যবহার করে দেখুন
- মাল্টি-টার্ন কথোপকথন (চ্যাট) তৈরি করুন।
- শুধু-টেক্সট প্রম্পট থেকে টেক্সট জেনারেট করুন।
- টেক্সট ও মাল্টিমোডাল প্রম্পট, দু'টি থেকেই স্ট্রাকচার্ড আউটপুট (যেমন JSON) তৈরি করুন।
- টেক্সট ও মাল্টিমোডাল প্রম্পট, দুটির মাধ্যমেই ছবি জেনারেট ও এডিট করুন।
- Gemini টেক্সট-টু-স্পিচ (TTS) মডেল ব্যবহার করে স্পিচ (একক ও একাধিক স্পিকার, উভয়ই) জেনারেট করুন।
-
আপনার অ্যাপের অন্যান্য অংশ এবং এক্সটার্নাল সিস্টেম ও তথ্যের সাথে Gemini মডেল কানেক্ট করতে
টুল (যেমন ফাংশন কলিং
এবং
Google Search বাGoogle Maps -এর সাথে গ্রাউন্ডিং) ব্যবহার করুন।
কন্টেন্ট তৈরি করা কীভাবে নিয়ন্ত্রণ করবেন তা জানুন
- প্রম্পট ডিজাইন সম্পর্কে বোঝা, যার মধ্যে পেশাদার পদ্ধতি, স্ট্র্যাটেজি ও উদাহরণ প্রম্পট অন্তর্ভুক্ত।
- মডেল প্যারামিটার কনফিগার করুন যেমন সর্বাধিক আউটপুট টোকেন, বারবার আউটপুট টোকেন দেখানোর সম্ভাবনা ইত্যাদি।
- ক্ষতিকর বলে বিবেচিত হতে পারে এমন উত্তর পাওয়ার সম্ভাবনা অ্যাডজাস্ট করতে নিরাপত্তা সেটিংস ব্যবহার করুন।
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 দিন