تجزیه‌وتحلیل فایل‌های ویدیویی بااستفاده از Gemini API

می‌توانید از مدل Gemini بخواهید فایل‌های ویدیویی را که ارائه می‌دهید یا به‌صورت درون‌خطی (کدبندی base64) یا ازطریق نشانی وب تجزیه‌وتحلیل کند. وقتی از Firebase AI Logic استفاده می‌کنید، می‌توانید این درخواست را مستقیماً از برنامه‌تان انجام دهید.

با این قابلیت، می‌توانید کارهایی ازاین‌قبیل انجام دهید:

  • زیرنویس ناشنوایان و پاسخ به سؤالات درباره ویدیوها
  • تجزیه‌وتحلیل بخش‌های خاصی از ویدیو بااستفاده از مُهر زمان
  • محتوای ویدیو را با پردازش هم قطعه صوتی و هم قاب‌های تصویری آوانویسی کنید
  • توصیف، بخش‌بندی، و استخراج اطلاعات از ویدیوها، ازجمله هم قطعه صوتی و هم قاب‌های دیداری

این راهنما درباره تولید نوشتار از ورودی ویدیو است، اما می‌توانید تصاویر را نیز از ورودی ویدیو تولید کنید.

پرش به نمونه‌های کد پرش به کد برای پاسخ‌های جاری‌سازی‌شده


برای گزینه‌های بیشتر کار با ویدیو، راهنماهای دیگر را ببینید
تولید برونداد ساختاریافته گپ چند نوبتی تولید تصویر

قبل از شروع

روی ارائه‌دهنده Gemini API خود کلیک کنید تا محتوا و کد مخصوص ارائه‌دهنده را در این صفحه مشاهده کنید.

اگر هنوز این کار را نکرده‌اید، راهنمای شروع به کار را تکمیل کنید. این راهنما نحوه راه‌اندازی پروژه Firebase، متصل کردن برنامه به Firebase، افزودن کیت توسعه نرم‌افزار، مقداردهی اولیه سرویس زیرینه برای ارائه‌دهنده Gemini API انتخابی، و ایجاد نمونه GenerativeModel را شرح می‌دهد.

برای آزمایش و تکرار پیام‌واره‌هایتان، توصیه می‌کنیم از Google AI Studio استفاده کنید.

مدل‌هایی که از این قابلیت پشتیبانی می‌کنند

این راهنما درباره تولید نوشتار از ورودی ویدیو است و برای مدل‌های Gemini زیر کاربرد دارد:

  • gemini-3.1-pro-preview
  • ‫gemini-3.8-flash (و gemini-3.7-flash، gemini-3.6-flash، و gemini-3.5-flash بزرگ‌تر)
  • ‫gemini-3.5-flash-lite (و gemini-3.1-flash-lite قدیمی‌تر)

مدل‌های Gemini 2.5 با کاربرد عمومی از این قابلیت پشتیبانی می‌کنند، اما همه آن‌ها منسوخ شده‌اند.

تولید نوشتار از فایل‌های ویدیویی (کدگذاری‌شده با base64)

پیش‌از امتحان کردن این نمونه، بخش پیش‌از شروع این راهنما را تکمیل کنید تا پروژه و برنامه‌تان را راه‌اندازی کنید.
در آن بخش، همچنین روی دکمه‌ای برای ارائه‌دهنده Gemini API انتخابی‌تان کلیک خواهید کرد تا محتوای مختص ارائه‌دهنده را در این صفحه ببینید.

می‌توانید از مدل Gemini بخواهید با پیام‌واره نوشتار و ویدیو تولید کند—mimeType هر فایل ورودی و خود فایل را ارائه دهید. در ادامه این صفحه، الزامات و توصیه‌های مربوط به فایل‌های ورودی را مشاهده کنید.

توجه داشته باشید که این مثال ارائه فایل به‌صورت درون‌خطی را نشان می‌دهد، اما کیت‌های توسعه نرم‌افزار همچنین از ارائه نشانی وب YouTube پشتیبانی می‌کنند.

Swift

می‌توانید با generateContent() تماس بگیرید تا از ورودی چندحالته نوشتار و فایل‌های ویدیویی نوشتار تولید کنید.


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

می‌توانید با generateContent() تماس بگیرید تا از ورودی چندحالته نوشتار و فایل‌های ویدیویی نوشتار تولید کنید.

برای Kotlin، روش‌های موجود در این کیت توسعه نرم‌افزار توابع تعلیق هستند و باید از محدوده Coroutine فراخوانی شوند.

// 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

می‌توانید با generateContent() تماس بگیرید تا از ورودی چندحالته نوشتار و فایل‌های ویدیویی نوشتار تولید کنید.

برای Java، روش‌های موجود در این کیت توسعه نرم‌افزار ListenableFuture را برمی‌گرداند.

// 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

می‌توانید با generateContent() تماس بگیرید تا از ورودی چندحالته نوشتار و فایل‌های ویدیویی نوشتار تولید کنید.


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

می‌توانید با generateContent() تماس بگیرید تا از ورودی چندحالته نوشتار و فایل‌های ویدیویی نوشتار تولید کنید.


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

می‌توانید با GenerateContentAsync() تماس بگیرید تا از ورودی چندحالته نوشتار و فایل‌های ویدیویی نوشتار تولید کنید.


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.");

با نحوه انتخاب مدل مناسب برای مورد استفاده و برنامه خود آشنا شوید.

جاری‌سازی پاسخ

پیش‌از امتحان کردن این نمونه، بخش پیش‌از شروع این راهنما را تکمیل کنید تا پروژه و برنامه‌تان را راه‌اندازی کنید.
در آن بخش، همچنین روی دکمه‌ای برای ارائه‌دهنده Gemini API انتخابی‌تان کلیک خواهید کرد تا محتوای مختص ارائه‌دهنده را در این صفحه ببینید.

با انتظار نکشیدن برای نتیجه کامل تولید مدل، می‌توانید تعامل‌های سریع‌تری داشته باشید و درعوض از جاری‌سازی برای مدیریت نتایج جزئی استفاده کنید. برای جاری‌سازی پاسخ، با generateContentStream تماس بگیرید.



الزامات و توصیه‌های مربوط به فایل‌های ویدیو ورودی

توجه داشته باشید که فایلی که به‌عنوان داده‌های به‌خط ارائه می‌شود درحین انتقال به base64 کدبندی می‌شود که اندازه درخواست را افزایش می‌دهد. اگر درخواست خیلی بزرگ باشد، خطای HTTP 413 دریافت می‌کنید.

برای کسب اطلاعات دقیق درباره موارد زیر، صفحه «فایل‌های ورودی پشتیبانی‌شده و الزامات» را ببینید:

انواع MIME پشتیبانی‌شده ویدیو

‫Gemini مدل چندوجهی از انواع MIME ویدیو زیر پشتیبانی می‌کند:

  • FLV - video/x-flv
  • MOV - video/quicktime
  • ‫MPEG - video/mpeg
  • MPEGPS - video/mpegps
  • مایل در هر گالن - video/mpg
  • MP4 - video/mp4
  • WEBM - video/webm
  • WMV - video/wmv
  • ‫3GPP - video/3gpp

محدودیت‌ها برای هر درخواست

حداکثر فایل در هر درخواست: ۱۰ فایل ویدیویی



چه کارهای دیگری می‌توانید انجام دهید؟

  • پیش‌از ارسال پیام‌واره‌های طولانی به مدل، با نحوه شمارش نشانه‌ها آشنا شوید.
  • ‫Cloud Storage for Firebase را راه‌اندازی کنید تا بتوانید فایل‌های بزرگ را در درخواست‌های چندوجهی‌تان بگنجانید و راه‌حل مدیریت‌شده‌تری برای ارائه فایل در پیام‌واره‌ها داشته باشید. فایل‌ها می‌توانند شامل تصاویر، فایل‌های PDF، ویدیو، و صدا باشند.
  • به فکر آماده‌سازی برای تولید باشید (به بازبینه تولید مراجعه کنید):
    • Firebase App Checkرا در اسرع وقت اعمال کنید تا به محافظت از Gemini API دربرابر سوءاستفاده کارخواه‌های غیرمجاز کمک کنید.
    • از Firebase Remote Config یا الگوهای پیام‌واره سرور استفاده کنید تا بتوانید بدون انتشار نسخه جدید برنامه، تغییرات درخواستی را در پیکربندی‌های ویژگی هوش مصنوعی خود (مثل نام مدل) اعمال کنید.

امتحان کردن قابلیت‌های دیگر

با نحوه کنترل تولید محتوا آشنا شوید

همچنین می‌توانید با پیام‌واره‌ها و پیکربندی‌های مدل آزمایش کنید و حتی بااستفاده از Google AI Studio یک تکه‌کد تولیدشده دریافت کنید.

درباره مدل‌های پشتیبانی‌شده بیشتر بدانید

درباره مدل‌های دردسترس برای موارد استفاده مختلف و سهمیه‌ها و قیمت‌گذاری آن‌ها بیشتر بدانید.


بازخورد دادن درباره تجربه‌تان با Firebase AI Logic