Gemini API ব্যবহার করে ভিডিও ফাইল বিশ্লেষণ করা

আপনি Gemini মডেলকে আপনার দেওয়া ভিডিও ফাইল বিশ্লেষণ করতে বলতে পারেন যা ইনলাইন (base64-এনকোড করা) বা URL-এর মাধ্যমে দেওয়া হয়েছে। আপনি Firebase AI Logic ব্যবহার করলে, আপনার অ্যাপ থেকে সরাসরি এই অনুরোধ করতে পারবেন।

এই ক্ষমতা ব্যবহার করে, আপনি এগুলি করতে পারবেন:

  • ভিডিওর ক্যাপশন লেখা ও প্রশ্নের উত্তর দেওয়া
  • টাইমস্ট্যাম্প ব্যবহার করে ভিডিওর নির্দিষ্ট সেগমেন্ট বিশ্লেষণ করা
  • অডিও ট্র্যাক ও ভিজ্যুয়াল ফ্রেম, দু'টিই প্রসেস করে ভিডিও কন্টেন্ট ট্রান্সক্রাইব করা
  • ভিডিওর বিবরণ দেওয়া, সেগমেন্ট করা এবং তথ্য এক্সট্র্যাক্ট করা, এর মধ্যে অডিও ট্র্যাক ও ভিজ্যুয়াল ফ্রেম, দুটিই অন্তর্ভুক্ত

এই নির্দেশিকাটি ভিডিও ইনপুট থেকে টেক্সট জেনারেট করা সম্পর্কে, তবে আপনি ভিডিও ইনপুট থেকে ছবিও জেনারেট করতে পারেন।

কোড স্যাম্পেলে যান স্ট্রিম করা উত্তরের কোডে যান


ভিডিওর সাথে কাজ করার জন্য অতিরিক্ত বিকল্প পেতে অন্যান্য নির্দেশিকা দেখুন
স্ট্রাকচার্ড আউটপুট জেনারেট করা মাল্টি-টার্ন চ্যাট ছবি জেনারেট করা

শুরু করার আগে

এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট ও কোড দেখতে আপনার Gemini API প্রদানকারীর আইকনে ক্লিক করুন।

আপনি এখনও না করে থাকলে, শুরু করার নির্দেশিকা সম্পূর্ণ করুন, যা বর্ণনা করে যে কীভাবে আপনার Firebase প্রোজেক্ট সেট-আপ করতে হয়, Firebase-এর সাথে আপনার অ্যাপ কানেক্ট করতে হয়, SDK যোগ করতে হয়, আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য ব্যাকএন্ড পরিষেবা চালু করতে হয় এবং GenerativeModel ইনস্ট্যান্স তৈরি করতে হয়।

আপনার প্রম্পট পরীক্ষা ও ইটারেট করার জন্য, আমরা Google AI Studio ব্যবহার করার সাজেশন দিই।

এই ক্ষমতা কাজ করে এমন মডেল

এই নির্দেশিকাটি ভিডিও ইনপুট থেকে টেক্সট জেনারেট করা সম্পর্কে এবং এটি নিম্নলিখিত Gemini মডেলের ক্ষেত্রে প্রযোজ্য:

  • gemini-3.1-pro-preview
  • gemini-3.8-flash (এবং এর আগের gemini-3.7-flash, gemini-3.6-flash ও gemini-3.5-flash)
  • gemini-3.5-flash-lite (এবং পুরনো gemini-3.1-flash-lite)

সাধারণ-ব্যবহারের Gemini 2.5 মডেলগুলিতে এই কেপেবিলিটি কাজ করে, তবে সেগুলি সবকটিই বাতিল করা হয়েছে।

ভিডিও ফাইল থেকে টেক্সট তৈরি করা (base64-encoded)

এই নমুনা চেষ্টা করার আগে, আপনার প্রজেক্ট ও অ্যাপ সেট-আপ করতে এই গাইডের শুরু করার আগে বিভাগটি সম্পূর্ণ করুন।
সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য একটি বোতামেও ক্লিক করবেন যাতে আপনি এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট দেখতে পান।

আপনি Gemini মডেলকে টেক্সট ও ভিডিওর মাধ্যমে প্রম্পট করে টেক্সট জেনারেট করতে বলতে পারেন—এর জন্য প্রতিটি ইনপুট ফাইলের mimeType ও ফাইলটি দিতে হবে। এই পৃষ্ঠায় পরে ইনপুট ফাইলের প্রয়োজনীয়তা ও সাজেশন দেখুন।

মনে রাখবেন, এই উদাহরণে ফাইল ইনলাইন হিসেবে প্রদান করা দেখানো হয়েছে, কিন্তু SDK-ও YouTube URL প্রদান করা সমর্থন করে।

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।

Kotlin-এর ক্ষেত্রে, এই SDK-এর পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে করুটিন স্কোপ থেকে কল করতে হবে।

// 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।

Java-এর জন্য, এই SDK-এর পদ্ধতিগুলি একটি ListenableFutureফেরত দেয়।

// 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 {
    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

টেক্সট ও ভিডিও ফাইলের মাল্টিমোডাল ইনপুট থেকে টেক্সট জেনারেট করতে, আপনি generateContent() কল করতে পারেন।


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 ব্যবহারিক ক্ষেত্র ও অ্যাপের জন্য উপযুক্ত মডেল কীভাবে বেছে নিতে হয় তা জানুন।

উত্তর স্ট্রিম করা

এই নমুনা চেষ্টা করার আগে, আপনার প্রজেক্ট ও অ্যাপ সেট-আপ করতে এই গাইডের শুরু করার আগে বিভাগটি সম্পূর্ণ করুন।
সেই বিভাগে, আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য একটি বোতামেও ক্লিক করবেন যাতে আপনি এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট দেখতে পান।

মডেল জেনারেশন থেকে সম্পূর্ণ ফলাফল পাওয়ার জন্য অপেক্ষা না করে, আপনি আরও দ্রুত ইন্টার‍্যাকশন করতে পারেন। এর পরিবর্তে, আংশিক ফলাফল ম্যানেজ করার জন্য স্ট্রিমিং ব্যবহার করুন। উত্তর স্ট্রিম করতে, generateContentStream কল করুন।



ইনপুট ভিডিও ফাইলের জন্য প্রয়োজনীয়তা ও সাজেশন

মনে রাখবেন, ইনলাইন ডেটা হিসেবে প্রদান করা ফাইল ট্রানজিটের সময় base64-এ এনকোড করা হয়, যার ফলে অনুরোধের সাইজ বেড়ে যায়। কোনও অনুরোধ খুব বড় হলে আপনি HTTP 413 সমস্যা দেখতে পাবেন।

নিম্নলিখিত বিষয়গুলি সম্পর্কে বিস্তারিত তথ্য জানতে "সাপোর্ট করে এমন ইনপুট ফাইল ও প্রয়োজনীয়তা" পৃষ্ঠা দেখুন:

ভিডিওর যেসব MIME ধরন কাজ করে

Gemini মাল্টিমোডাল মডেল নিম্নলিখিত ভিডিও MIME-এর ধরন 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 পিছু সীমা

প্রতিটি অনুরোধে সর্বাধিক ফাইল: ১০টি ভিডিও ফাইল



আপনি আর কী করতে পারেন?

  • মডেলকে বড় প্রম্পট পাঠানোর আগে, টোকেন কীভাবে গণনা করতে হয় তা জানুন।
  • সেট-আপ Cloud Storage for Firebase যাতে আপনি মাল্টিমোডাল অনুরোধে বড় ফাইল অন্তর্ভুক্ত করতে পারেন এবং প্রম্পটে ফাইল দেওয়ার জন্য আরও ম্যানেজ করা সমাধান পেতে পারেন। ফাইলে ছবি, পিডিএফ, ভিডিও ও অডিও থাকতে পারে।
  • প্রোডাকশনের জন্য প্রস্তুতি নেওয়া শুরু করুন (দেখুন প্রোডাকশন চেকলিস্ট):
    • Firebase App Check এনফোর্স করুন যত তাড়াতাড়ি সম্ভব, যাতে Gemini API-কে অননুমোদিত ক্লায়েন্টের অপব্যবহার থেকে রক্ষা করা যায়।
    • ব্যবহার করুন Firebase Remote Config অথবা সার্ভার প্রম্পট টেমপ্লেট যাতে আপনার AI ফিচারের (যেমন মডেলের নাম) কনফিগারেশনে চাহিদা মতো পরিবর্তন করতে পারেন, এর জন্য অ্যাপের নতুন ভার্সন রিলিজ করার প্রয়োজন হবে না।

অন্যান্য সুবিধা ব্যবহার করে দেখুন

কন্টেন্ট জেনারেশন কীভাবে নিয়ন্ত্রণ করতে হয় তা জানুন

এছাড়াও, আপনি প্রম্পট ও মডেল কনফিগারেশন নিয়ে এক্সপেরিমেন্ট করতে পারেন এবং এমনকি Google AI Studio ব্যবহার করে জেনারেট করা কোড স্নিপেট পেতে পারেন।

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 জানান


অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।

2026-10-09 UTC-তে শেষবার আপডেট করা হয়েছে।