Gemini API का इस्तेमाल करके, वीडियो फ़ाइलों का विश्लेषण करना

Gemini मॉडल से, वीडियो फ़ाइलों का विश्लेषण करने के लिए कहा जा सकता है. इसके लिए, वीडियो फ़ाइलों को इनलाइन (base64-कोड में बदला गया) या यूआरएल के ज़रिए उपलब्ध कराया जा सकता है. Firebase AI Logic का इस्तेमाल करने पर, सीधे अपने ऐप्लिकेशन से 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 कॉन्टेंट को ट्रांसक्राइब करना
  • वीडियो के बारे में जानकारी देना, उन्हें सेगमेंट में बांटना, और उनसे जानकारी निकालना. इसमें ऑडियो ट्रैक और विज़ुअल फ़्रेम, दोनों शामिल हैं

इस गाइड में, वीडियो इनपुट से टेक्स्ट जनरेट करने के बारे में बताया गया है. हालांकि, वीडियो इनपुट से इमेज भी जनरेट की जा सकती हैं.

कोड सैंपल पर जाएं स्ट्रीम किए गए रिस्पॉन्स के कोड पर जाएं


वीडियो के साथ काम करने के अन्य विकल्पों के बारे में जानने के लिए, अन्य गाइड देखें
स्ट्रक्चर्ड आउटपुट जनरेट करना मल्टी-टर्न चैट इमेज जनरेट करना

शुरू करने से पहले

इस पेज पर, Gemini API की सेवा देने वाली कंपनी के हिसाब से कॉन्टेंट और कोड देखने के लिए, सेवा देने वाली कंपनी के नाम पर क्लिक करें.

अगर आपने अब तक ऐसा नहीं किया है, तो शुरुआती निर्देश पढ़ें. इसमें Firebase प्रोजेक्ट सेट अप करने, अपने ऐप्लिकेशन को Firebase से कनेक्ट करने, और SDK टूल जोड़ने का तरीका बताया गया है. साथ ही, इसमें अपनी पसंद के Gemini API प्रोवाइडर के लिए बैकएंड सेवा को शुरू करने और GenerativeModel इंस्टेंस बनाने का तरीका भी बताया गया है.

अपने प्रॉम्प्ट को टेस्ट करने और उनमें बदलाव करने के लिए, हमारा सुझाव है कि आप Google AI Studio का इस्तेमाल करें.

इस सुविधा के साथ काम करने वाले मॉडल

इस गाइड में, वीडियो इनपुट से टेक्स्ट जनरेट करने के बारे में बताया गया है. यह जानकारी, इन Gemini मॉडल पर लागू होती है:

  • gemini-4-argon
  • gemini-3.8-flash (और पुराने gemini-3.7-flash, gemini-3.6-flash, और gemini-3.5-flash)
  • gemini-3.5-flash-lite (और gemini-3.1-flash-lite का पुराना वर्शन)

gemini-3.1-pro-preview और सामान्य इस्तेमाल के लिए उपलब्ध Gemini 2.5 मॉडल (जो अब काम नहीं करते) में भी यह सुविधा काम करती है.

वीडियो फ़ाइलों (base64-encoded) से टेक्स्ट जनरेट करना

इस सैंपल को आज़माने से पहले, इस गाइड में मौजूद शुरू करने से पहले सेक्शन को पूरा करें. इससे आपको अपना प्रोजेक्ट और ऐप्लिकेशन सेट अप करने में मदद मिलेगी.
इस सेक्शन में, आपको Gemini API सेवा देने वाली कंपनी के लिए एक बटन पर भी क्लिक करना होगा, ताकि आपको इस पेज पर सेवा देने वाली कंपनी के हिसाब से कॉन्टेंट दिखे.

Gemini मॉडल से टेक्स्ट जनरेट करने के लिए कहा जा सकता है. इसके लिए, टेक्स्ट और वीडियो प्रॉम्प्ट का इस्तेमाल करें. साथ ही, हर इनपुट फ़ाइल का mimeType और फ़ाइल उपलब्ध कराएं. इस पेज पर आगे जाकर, इनपुट फ़ाइलों के लिए ज़रूरी शर्तें और सुझाव देखें.

ध्यान दें कि इस उदाहरण में, फ़ाइल को इनलाइन उपलब्ध कराने का तरीका दिखाया गया है. हालांकि, एसडीके में YouTube यूआरएल उपलब्ध कराने की सुविधा भी काम करती है.

Swift

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमोडल 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-3.8-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

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

Kotlin के लिए, इस एसडीके में मौजूद तरीके, सस्पेंड फ़ंक्शन हैं. इन्हें Coroutine 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-3.8-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

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

Java के लिए, इस एसडीके के 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-3.8-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमोडल 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-3.8-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमोडल 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-3.8-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमोडल 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-3.8-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.");

अपने इस्तेमाल के उदाहरण और ऐप्लिकेशन के हिसाब से, मॉडल चुनने का तरीका जानें.भी चुनी जा सकती है.

जवाब को स्ट्रीम करें

इस सैंपल को आज़माने से पहले, इस गाइड में मौजूद शुरू करने से पहले सेक्शन को पूरा करें. इससे आपको अपना प्रोजेक्ट और ऐप्लिकेशन सेट अप करने में मदद मिलेगी.
इस सेक्शन में, आपको Gemini API सेवा देने वाली कंपनी के लिए एक बटन पर भी क्लिक करना होगा, ताकि आपको इस पेज पर सेवा देने वाली कंपनी के हिसाब से कॉन्टेंट दिखे.

मॉडल से जनरेट होने वाले पूरे नतीजे का इंतज़ार करने के बजाय, स्ट्रीमिंग का इस्तेमाल करके अधूरे नतीजों को हैंडल किया जा सकता है. इससे इंटरैक्शन तेज़ी से किए जा सकते हैं. जवाब को स्ट्रीम करने के लिए, generateContentStream को कॉल करें.



इनपुट वीडियो फ़ाइलों के लिए ज़रूरी शर्तें और सुझाव

ध्यान दें कि इनलाइन डेटा के तौर पर दी गई फ़ाइल को ट्रांज़िट के दौरान base64 में एन्कोड किया जाता है. इससे अनुरोध का साइज़ बढ़ जाता है. अगर अनुरोध बहुत बड़ा है, तो आपको एचटीटीपी 413 गड़बड़ी का मैसेज मिलता है.

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

वीडियो के लिए इस्तेमाल किए जा सकने वाले एमआईएमई टाइप

Gemini मल्टीमोडल मॉडल, इन वीडियो एमआईएमई टाइप के साथ काम करते हैं:

  • FLV - video/x-flv
  • MOV - video/quicktime
  • MPEG - video/mpeg
  • MPEGPS - video/mpegps
  • एमपीजी - 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 इतनी वीडियो फ़ाइलें अपलोड की जा सकेंगी: 10



तुम और क्या कर सकती हो?

  • मॉडल को लंबे प्रॉम्प्ट भेजने से पहले, टोकन की गिनती करने का तरीका जानें.
  • Cloud Storage for Firebase सेट अप करें, ताकि आप अपने मल्टीमोडल अनुरोधों में बड़ी फ़ाइलें शामिल कर सकें. साथ ही, प्रॉम्प्ट में फ़ाइलें उपलब्ध कराने के लिए, आपके पास बेहतर तरीके से मैनेज किया गया समाधान हो. फ़ाइलों में इमेज, PDF, वीडियो, और ऑडियो शामिल हो सकते हैं.
  • प्रोडक्शन की तैयारी शुरू करें. इसके लिए, प्रोडक्शन चेकलिस्ट देखें:

अन्य सुविधाएं आज़माना

कॉन्टेंट जनरेट करने की सुविधा को कंट्रोल करने का तरीका जानें

आपके पास प्रॉम्प्ट और मॉडल कॉन्फ़िगरेशन के साथ एक्सपेरिमेंट करने का विकल्प भी है. इसके अलावा, Google AI Studio का इस्तेमाल करके, जनरेट किया गया कोड स्निपेट भी पाया जा सकता है.

इस्तेमाल किए जा सकने वाले मॉडल के बारे में ज़्यादा जानें

अलग-अलग कामों के लिए उपलब्ध मॉडल, उनके कोटा, और कीमत के बारे में जानें.


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