আপনি Gemini TTS মডেলকে টেক্সট প্রম্পট থেকে স্পিচ (অডিও) আউটপুট জেনারেট করতে বলতে পারেন। Firebase AI Logic ব্যবহার করার সময়, আপনি সরাসরি অ্যাপ থেকেই এই অনুরোধ করতে পারবেন।
টেক্সট-টু-স্পিচ (TTS) জেনারেশন নিয়ন্ত্রণযোগ্য, অর্থাৎ আপনি স্পিচে সিন্থেসাইজ করার জন্য সঠিক টেক্সট প্রদান করেন। এছাড়াও, অডিও আউটপুটের স্টাইল, অ্যাকসেন্ট, স্পিড ও টোন গাইড করতে, আপনার প্রম্পটে ন্যাচারাল ল্যাঙ্গুয়েজ ব্যবহার করতে পারবেন। আপনি TTS-কে ট্রান্সক্রিপশনের (স্পিচ-টু-টেক্সট) বিপরীত হিসেবে ভাবতে পারেন।
এই ফিচারটি Gemini -tts মডেলগুলির যেকোনও একটি ব্যবহার করে উপলভ্য, যা
উচ্চ-কোয়ালিটি, কম-লেটেন্সি স্পিচ জেনারেশনের জন্য অপ্টিমাইজ করা হয়েছে।
এই ক্ষমতা ব্যবহার করে, আপনি এগুলি করতে পারবেন:
ইন্টার্যাক্টিভ স্টোরিটেলিং: এমন ইমারসিভ অডিওবুক বা রোল-প্লেয়িং গেম তৈরি করুন যেখানে মডেলটি বিভিন্ন চরিত্রের জন্য ভয়েস পরিবর্তন করে বা নারেটিভের সাথে মানানসই হতে নিজের টোন (যেমন, সাসপেন্সে ফিসফিস করে বলা বা কোনও জোক শুনে হাসা) পরিবর্তন করে।
ভাষা শেখা: উচ্চারণ গাইড তৈরি করুন যা নির্দিষ্ট আঞ্চলিক অ্যাকসেন্টে বা ধীরে ধীরে টেক্সট পড়ে শোনাতে পারে। এর ফলে শিক্ষার্থীরা কঠিন উচ্চারণ অনুশীলন করতে পারবেন।
প্রসঙ্গ-সচেতন কন্টেন্ট রিডার: কন্টেন্টের সাথে ম্যাচ করে এমন ভয়েস পার্সোনা ও আবেগপূর্ণ টোন ব্যবহার করে খবরের নিবন্ধ, রেসিপি বা ব্লগ পোস্ট জোরে জোরে পড়ুন (যেমন, ব্রেকিং নিউজের জন্য গম্ভীর টোন বা ধাপে ধাপে রান্নার নির্দেশের জন্য আন্তরিক, ধৈর্য্যশীল টোন)।
এই গাইড থেকে আপনি জানতে পারবেন যে কীভাবে এক বা একাধিক স্পিকারের মাধ্যমে টেক্সট ইনপুট থেকে স্পিচ তৈরি করতে হয় এবং কীভাবে অডিও উত্তর স্ট্রিম করতে হয়।
সিঙ্গল স্পিকারের কোডে জাম্প করুন মাল্টি-স্পিকারের কোডে জাম্প করুন স্ট্রিম করা উত্তরের কোডে জাম্প করুন
TTS ও Live API-এর মধ্যে তুলনা
টেক্সট-টু-স্পিচ (TTS) মডেল ও Live API মডেল, দুটিই কম লেটেন্সি, স্পিচ-জেনারেটিং মডেল যা বিভিন্ন উত্তর দেওয়ার ভয়েস ও ভাষার জন্য কনফিগার করা যেতে পারে। তবে, এগুলি খুব আলাদা আলাদা ব্যবহারের ক্ষেত্রে কাজে লাগে।
টেক্সট-টু-স্পিচ (TTS) জেনারেশন হল একটি একমুখী, অনুরোধ-উত্তর ইন্টার্যাকশন (টেক্সট ইনপুট, অডিও আউটপুট)। এটি এমন সব পরিস্থিতির জন্য তৈরি করা হয়েছে যেখানে প্রদত্ত টেক্সটকে স্টাইল ও সাউন্ডের উপর সূক্ষ্ম নিয়ন্ত্রণ সহ একদম সঠিকভাবে আবৃত্তি করার প্রয়োজন হয়, যেমন পডকাস্ট বর্ণনা, অডিওবুক বা নিবন্ধ জোরে পড়া।
Live API জেনারেশন রিয়েল-টাইম ভয়েস কথোপকথনের জন্য দ্বিমুখী স্ট্রিমিং (ভয়েস ইন, ভয়েস আউট) কাজ করে। ডায়নামিক কথোপকথনের প্রসঙ্গে এটি দারুণ কাজ করে, যেখানে মডেলটি প্রযোজ্য স্পিচ বেছে নিয়ে উত্তর দেয়। মনে রাখবেন, লেটেস্ট Live API মডেলগুলি ভিডিও ও ইমেজ ইনপুটও সাপোর্ট করে।
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
gemini-3.1-flash-tts-preview
টেক্সট থেকে স্পিচ তৈরি করা
আপনি Gemini TTS মডেল ব্যবহার করে প্রদত্ত টেক্সট থেকে স্পিচ জেনারেট করতে পারবেন।
একজন স্পিকারের মাধ্যমে স্পিচ জেনারেট 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। |
একটি ভয়েস ব্যবহার করে অডিও আউটপুট দেওয়ার জন্য আপনি মডেল কনফিগার করতে পারবেন।
আপনার GenerationConfig-এ, নিম্নলিখিত বিষয়গুলি অন্তর্ভুক্ত করুন:
AUDIOঅন্তর্ভুক্ত করতেresponseModalitiesসেট করুন।নিম্নলিখিত বিষয়গুলি সহ
SpeechConfigকনফিগার করুন:(প্রয়োজনীয়) উত্তরের ভয়েসের নাম (যেমন,
Kore)(ঐচ্ছিক) ভাষার কোড।
আপনি কোনও ভাষা নির্দিষ্ট না করলে, Gemini TTS মডেল প্রম্পটে অটোমেটিক ভাষা শনাক্ত করতে পারে।
আপনার টেক্সট প্রম্পট ব্যবহার করে generateContent-কে কল করুন। মডেলটি উত্তরের অংশে
কাঁচা PCM অডিও ডেটা রিটার্ন করে।
Swift
import FirebaseAILogic
// Initialize the Gemini Developer API backend service.
let ai = FirebaseAI.firebaseAI(backend: .googleAI())
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
let config = GenerationConfig(
responseModalities: [.audio],
speechConfig: SpeechConfig(voiceName: "Kore", languageCode: "en-US")
)
// Create a `GenerativeModel` instance with a model that supports speech generation.
let model = ai.generativeModel(
modelName: "gemini-3.1-flash-tts-preview",
generationConfig: config
)
// Provide a text prompt.
let prompt = "Say cheerfully: Have a wonderful day!"
// Call `generateContent` to generate the speech output based on your text prompt.
let response = try await model.generateContent(prompt)
// Extract the audio data and handle it for downstream use. For example:
for part in response.inlineDataParts {
let data = part.data // Raw PCM audio bytes (24kHz, 1 channel, 16-bit)
let mimeType = part.mimeType // for example: "audio/pcm"
print("Received audio data with MIME type: \(mimeType)")
// To play back raw PCM audio bytes, you'll need to write your own `playRawPcm` function.
playRawPcm(data: data)
}
Kotlin
Kotlin-এর ক্ষেত্রে, এই SDK-এর পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে করুটিন স্কোপ থেকে কল করতে হবে।
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
val config = generationConfig {
responseModalities = listOf(ResponseModality.AUDIO)
speechConfig = SpeechConfig(
voice = Voice("Kore"),
languageCode = "en-US"
)
}
// Initialize the Gemini Developer API backend service.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel(
modelName = "gemini-3.1-flash-tts-preview",
generationConfig = config
)
// Provide a text prompt.
val prompt = "Say cheerfully: Have a wonderful day!"
// Call `generateContent` to generate the speech output based on your text prompt.
val response = model.generateContent(prompt)
// Extract the audio data and handle it for downstream use. For example:
val part = response.candidates.firstOrNull()?.content?.parts?.firstOrNull()
if (part is InlineDataPart) {
val pcmData = part.inlineData // Raw PCM bytes (24kHz, 1 channel, 16-bit)
val mimeType = part.mimeType // for example: "audio/pcm"
// To play back PCM audio data, you'll need to write your own `playAudio` function.
playAudio(pcmData)
}
Java
Java-র জন্য, এই SDK-তে স্ট্রিমিং পদ্ধতি Reactive Streams লাইব্রেরি থেকেPublisher টাইপ রিটার্ন করে।
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
GenerationConfig config = new GenerationConfig.Builder()
.setResponseModalities(Collections.singletonList(ResponseModality.AUDIO))
.setSpeechConfig(new SpeechConfig(new Voice("Kore"), "en-US"))
.build();
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
GenerativeModel ai = FirebaseAI.getInstance(GenerativeBackend.googleAI())
.generativeModel("gemini-3.1-flash-tts-preview", config);
// Use the GenerativeModelFutures Java compatibility layer.
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
// Provide a text prompt.
String prompt = "Say cheerfully: Have a wonderful day!";
Content content = new Content.Builder().addText(prompt).build();
Executor executor = Executors.newSingleThreadExecutor();
// Call `generateContent` to generate the speech output based on your text prompt.
// Extract the audio data and handle it for downstream use.
ListenableFuture<GenerateContentResponse> response = model.generateContent(content);
Futures.addCallback(response, new FutureCallback<GenerateContentResponse>() {
@Override
public void onSuccess(GenerateContentResponse result) {
Part part = result.getCandidates().get(0).getContent().getParts().get(0);
if (part instanceof InlineDataPart) {
byte[] pcmData = ((InlineDataPart) part).getInlineData();
String mimeType = ((InlineDataPart) part).getMimeType();
// To play back PCM audio data, you'll need to write your own `playAudio` function.
playAudio(pcmData);
}
}
@Override
public void onFailure(Throwable t) {
t.printStackTrace();
}
}, executor);
Web
import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend, ResponseModality } from "firebase/ai";
// TODO(developer): Replace with your app's Firebase configuration
const firebaseConfig = { /* ... */ };
const firebaseApp = initializeApp(firebaseConfig);
// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
const generationConfig = {
responseModalities: [ResponseModality.AUDIO],
speechConfig: {
voiceConfig: { prebuiltVoiceConfig: { voiceName: "Kore" } },
languageCode: "en-US"
}
};
// Create a `GenerativeModel` instance with a model that supports speech generation.
const model = getGenerativeModel(ai, {
model: "gemini-3.1-flash-tts-preview",
generationConfig
});
// Provide a text prompt.
const prompt = "Say cheerfully: Have a wonderful day!";
// Call `generateContent` to generate the speech output based on your text prompt.
const result = await model.generateContent(prompt);
const inlineDataParts = result.response.inlineDataParts();
// Extract the audio data and handle it for downstream use. For example:
if (inlineDataParts?.[0]) {
const pcmBase64 = inlineDataParts[0].inlineData.data;
// Decode base64 to ArrayBuffer
const pcmBuffer = Uint8Array.from(atob(pcmBase64), c => c.charCodeAt(0)).buffer;
// To play back a PCM buffer, you'll need to write your own `playAudio` function.
playAudio(pcmBuffer);
}
Dart
import 'package:firebase_ai/firebase_ai.dart';
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
final config = GenerationConfig(
responseModalities: [ResponseModality.audio],
speechConfig: SpeechConfig(voiceName: 'Kore', languageCode: 'en-US'),
);
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
final model = FirebaseAI.googleAI().generativeModel(
model: 'gemini-3.1-flash-tts-preview',
config: config,
);
// Provide a text prompt.
final prompt = 'Say cheerfully: Have a wonderful day!';
// Call `generateContent` to generate the speech output based on your text prompt.
final response = await model.generateContent([Content.text(prompt)]);
// Extract the audio data and handle it for downstream use. For example:
final part = response.candidates.first.content.parts.first;
if (part is InlineDataPart && part.mimeType.startsWith('audio/')) {
final Uint8List pcmData = part.bytes; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
// To play back PCM audio data, you'll need to write your own `playAudio` function.
await playAudio(pcmData);
}
Unity
using Firebase.AI;
// Set `responseModalities` to include `Audio`.
// Configure a `SpeechConfig` with your chosen voice name and language code.
var config = new GenerationConfig(
responseModalities: new System.Collections.Generic.List<ResponseModality> { ResponseModality.Audio },
speechConfig: SpeechConfig.UsePrebuiltVoice("Kore", "en-US")
);
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// Create a `GenerativeModel` instance with a model that supports speech generation.
var model = ai.GetGenerativeModel(
modelName: "gemini-3.1-flash-tts-preview",
generationConfig: config
);
// Provide a text prompt.
var prompt = "Say cheerfully: Have a wonderful day!";
// Call `GenerateContentAsync` to generate the speech output based on your text prompt.
var response = await model.GenerateContentAsync(prompt);
// Extract the audio data and handle it for downstream use. For example:
if (response.Candidates.Count > 0) {
foreach (var part in response.Candidates[0].Content.Parts) {
if (part is ModelContent.InlineDataPart inlineData) {
byte[] pcmData = inlineData.Data; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
// To play back PCM audio data, you'll need to write your own `playAudio` function.
playAudio(pcmData);
}
}
}
একাধিক বক্তার মাধ্যমে স্পিচ জেনারেট 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। |
টেক্সটে বিভিন্ন স্পিকারের জন্য আলাদা আলাদা ভয়েস ব্যবহার করতে আপনি মডেল কনফিগার করতে পারবেন। ডায়ালগ বা কথোপকথনের জন্য অডিও তৈরি করার ক্ষেত্রে এটি উপযোগী।
MultiSpeakerVoiceConfigতৈরি করুন যা স্পিকারের নাম (যা আপনি আপনার প্রম্পটে ব্যবহার করবেন) নির্দিষ্ট উত্তরের ভয়েসের নামের (যেমন,Kore) সাথে ম্যাপ করে।মাল্টি-স্পিকার কনফিগারেশনে ঠিক ২টি স্পিকার কাজ করে।
আপনার
GenerationConfig-এ, নিম্নলিখিত বিষয়গুলি অন্তর্ভুক্ত করুন:AUDIOঅন্তর্ভুক্ত করতেresponseModalitiesসেট করুন।নিম্নলিখিত বিষয়গুলি সহ
SpeechConfigকনফিগার করুন:(প্রয়োজনীয়) আপনার
MultiSpeakerVoiceConfig-এ পাস।(ঐচ্ছিক) ভাষার কোড।
আপনি কোনও ভাষা নির্দিষ্ট না করলে, Gemini TTS মডেল প্রম্পটে অটোমেটিক ভাষা শনাক্ত করতে পারে।
আপনার প্রম্পটে, স্পিকারের নামকে প্রিফিক্স (যেমন,
Joe: Hello. Jane: Hi.) হিসেবে ব্যবহার করে কে কথা বলছেন তা উল্লেখ করুন।
আপনার টেক্সট প্রম্পট ব্যবহার করে generateContent-কে কল করুন। মডেলটি উত্তরের অংশে
কাঁচা PCM অডিও ডেটা রিটার্ন করে।
Swift
import FirebaseAILogic
// Initialize the Gemini Developer API backend service.
let ai = FirebaseAI.firebaseAI(backend: .googleAI())
// Configure a `SpeechConfig` for multiple speakers, assigning a voice to each speaker.
let multiSpeechConfig = SpeechConfig(
multiSpeakerVoiceConfig: MultiSpeakerVoiceConfig(
speakerVoiceConfigs: [
SpeakerVoiceConfig(speaker: "Joe", voiceName: "Puck"),
SpeakerVoiceConfig(speaker: "Jane", voiceName: "Kore")
]
),
languageCode: "en-US"
)
// Set `responseModalities` to include `audio`.
let config = GenerationConfig(
responseModalities: [.audio],
speechConfig: multiSpeechConfig
)
// Create a `GenerativeModel` instance with a model that supports speech generation.
let model = ai.generativeModel(
modelName: "gemini-3.1-flash-tts-preview",
generationConfig: config
)
// Provide a text prompt that includes the names of the speakers.
let prompt = """
Joe: How's it going today Jane?
Jane: Not too bad, how about you?
"""
// Call `generateContent` to generate the speech output based on your text prompt.
let response = try await model.generateContent(prompt)
// Extract the audio data and handle it for downstream use. For example:
for part in response.inlineDataParts {
let data = part.data // Raw PCM audio bytes (24kHz, 1 channel, 16-bit)
let mimeType = part.mimeType // for example: "audio/pcm"
print("Received audio data with MIME type: \(mimeType)")
// To play back raw PCM audio bytes, you'll need to write your own `playRawPcm` function.
playRawPcm(data: data)
}
Kotlin
Kotlin-এর ক্ষেত্রে, এই SDK-এর পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে করুটিন স্কোপ থেকে কল করতে হবে।
// Configure a `SpeechConfig` for multiple speakers, assigning a voice to each speaker.
val multiSpeechConfig = SpeechConfig(
multiSpeakerVoiceConfig = MultiSpeakerVoiceConfig(
speakerVoiceConfigs = listOf(
SpeakerVoiceConfig(speaker = "Joe", voice = Voice("Puck")),
SpeakerVoiceConfig(speaker = "Jane", voice = Voice("Kore"))
)
),
languageCode = "en-US"
)
// Set `responseModalities` to include `AUDIO`.
val config = generationConfig {
responseModalities = listOf(ResponseModality.AUDIO)
speechConfig = multiSpeechConfig
}
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel(
modelName = "gemini-3.1-flash-tts-preview",
generationConfig = config
)
// Provide a text prompt that includes the names of the speakers.
val prompt = """
Joe: How's it going today Jane?
Jane: Not too bad, how about you?
"""
// Call `generateContent` to generate the speech output based on your text prompt.
val response = model.generateContent(prompt)
// Extract the audio data and handle it for downstream use. For example:
val part = response.candidates.firstOrNull()?.content?.parts?.firstOrNull()
if (part is InlineDataPart) {
val pcmData = part.inlineData // Raw PCM bytes (24kHz, 1 channel, 16-bit)
val mimeType = part.mimeType // for example: "audio/pcm"
// To play back PCM audio data, you'll need to write your own `playAudio` function.
playAudio(pcmData)
}
Java
Java-র জন্য, এই SDK-তে স্ট্রিমিং পদ্ধতি Reactive Streams লাইব্রেরি থেকেPublisher টাইপ রিটার্ন করে।
// Configure a `SpeechConfig` for multiple speakers, assigning a voice to each speaker.
MultiSpeakerVoiceConfig multiSpeakerVoiceConfig = new MultiSpeakerVoiceConfig(
Arrays.asList(
new SpeakerVoiceConfig("Joe", new Voice("Puck")),
new SpeakerVoiceConfig("Jane", new Voice("Kore"))
)
);
SpeechConfig multiSpeechConfig = new SpeechConfig(multiSpeakerVoiceConfig);
// Set `responseModalities` to include `AUDIO`.
GenerationConfig config = new GenerationConfig.Builder()
.setResponseModalities(Collections.singletonList(ResponseModality.AUDIO))
.setSpeechConfig(multiSpeechConfig)
.build();
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
GenerativeModel ai = FirebaseAI.getInstance(GenerativeBackend.googleAI())
.generativeModel("gemini-3.1-flash-tts-preview", config);
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
// Provide a text prompt that includes the names of the speakers.
String prompt = "Joe: How's it going today Jane?\nJane: Not too bad, how about you?";
Content content = new Content.Builder().addText(prompt).build();
Executor executor = Executors.newSingleThreadExecutor();
// Call `generateContent` to generate the speech output based on your text prompt.
// Extract the audio data and handle it for downstream use.
ListenableFuture<GenerateContentResponse> response = model.generateContent(content);
Futures.addCallback(response, new FutureCallback<GenerateContentResponse>() {
@Override
public void onSuccess(GenerateContentResponse result) {
Part part = result.getCandidates().get(0).getContent().getParts().get(0);
if (part instanceof InlineDataPart) {
byte[] pcmData = ((InlineDataPart) part).getInlineData(); // Raw PCM bytes (24kHz, 1 channel, 16-bit)
String mimeType = ((InlineDataPart) part).getMimeType(); // for example: "audio/pcm"
// To play back PCM audio data, you'll need to write your own `playAudio` function.
playAudio(pcmData);
}
}
@Override
public void onFailure(Throwable t) {
t.printStackTrace();
}
}, executor);
Web
import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend, ResponseModality } from "firebase/ai";
// TODO(developer): Replace with your app's Firebase configuration
const firebaseConfig = { /* ... */ };
const firebaseApp = initializeApp(firebaseConfig);
// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` for multiple speakers, assigning a voice to each speaker.
const generationConfig = {
responseModalities: [ResponseModality.AUDIO],
speechConfig: {
multiSpeakerVoiceConfig: {
speakerVoiceConfigs: [
{ speaker: "Joe", voiceConfig: { prebuiltVoiceConfig: { voiceName: "Puck" } } },
{ speaker: "Jane", voiceConfig: { prebuiltVoiceConfig: { voiceName: "Kore" } } }
]
},
languageCode: "en-US"
}
};
// Create a `GenerativeModel` instance with a model that supports speech generation.
const model = getGenerativeModel(ai, {
model: "gemini-3.1-flash-tts-preview",
generationConfig
});
// Provide a text prompt that includes the names of the speakers.
const prompt = `
Joe: How's it going today Jane?
Jane: Not too bad, how about you?
`;
// Call `generateContent` to generate the speech output based on your text prompt.
const result = await model.generateContent(prompt);
const inlineDataParts = result.response.inlineDataParts();
// Extract the audio data and handle it for downstream use. For example:
if (inlineDataParts?.[0]) {
const pcmBase64 = inlineDataParts[0].inlineData.data; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
const pcmBuffer = Uint8Array.from(atob(pcmBase64), c => c.charCodeAt(0)).buffer;
// To play back a PCM buffer, you'll need to write your own `playAudio` function.
playAudio(pcmBuffer);
}
Dart
import 'package:firebase_ai/firebase_ai.dart';
// Configure a `SpeechConfig` for multiple speakers, assigning a voice to each speaker.
final multiSpeechConfig = SpeechConfig.multiSpeaker(
multiSpeakerVoiceConfig: MultiSpeakerVoiceConfig(
speakerVoiceConfigs: [
SpeakerVoiceConfig(speaker: 'Joe', voiceName: 'Puck'),
SpeakerVoiceConfig(speaker: 'Jane', voiceName: 'Kore'),
],
),
languageCode: 'en-US',
);
// Set `responseModalities` to include `audio`.
final config = GenerationConfig(
responseModalities: [ResponseModality.audio],
speechConfig: multiSpeechConfig,
);
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
final model = FirebaseAI.googleAI().generativeModel(
model: 'gemini-3.1-flash-tts-preview',
config: config,
);
// Provide a text prompt that includes the names of the speakers.
final prompt = '''
Joe: How's it going today Jane?
Jane: Not too bad, how about you?
''';
// Call `generateContent` to generate the speech output based on your text prompt.
final response = await model.generateContent([Content.text(prompt)]);
// Extract the audio data and handle it for downstream use. For example:
final part = response.candidates.first.content.parts.first;
if (part is InlineDataPart && part.mimeType.startsWith('audio/')) {
final Uint8List pcmData = part.bytes; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
// To play back PCM audio data, you'll need to write your own `playAudio` function.
await playAudio(pcmData);
}
Unity
using Firebase.AI;
// Configure a `SpeechConfig` for multiple speakers, assigning a voice to each speaker.
var multiSpeakerVoiceConfig = new MultiSpeakerVoiceConfig(
new System.Collections.Generic.List<SpeakerVoiceConfig> {
SpeakerVoiceConfig.UsePrebuiltVoice("Joe", "Puck"),
SpeakerVoiceConfig.UsePrebuiltVoice("Jane", "Kore")
}
);
var multiSpeechConfig = SpeechConfig.UseMultiSpeakerVoice(multiSpeakerVoiceConfig);
// Set `responseModalities` to include `Audio`.
var config = new GenerationConfig(
responseModalities: new System.Collections.Generic.List<ResponseModality> { ResponseModality.Audio },
speechConfig: multiSpeechConfig
);
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// Create a `GenerativeModel` instance with a model that supports speech generation.
var model = ai.GetGenerativeModel(
modelName: "gemini-3.1-flash-tts-preview",
generationConfig: config
);
// Provide a text prompt that includes the names of the speakers.
var prompt = "Joe: How's it going today Jane?\nJane: Not too bad, how about you?";
// Call `GenerateContentAsync` to generate the speech output based on your text prompt.
var response = await model.GenerateContentAsync(prompt);
// Extract the audio data and handle it for downstream use. For example:
if (response.Candidates.Count > 0) {
foreach (var part in response.Candidates[0].Content.Parts) {
if (part is ModelContent.InlineDataPart inlineData) {
byte[] pcmData = inlineData.Data; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
// To play back PCM audio data, you'll need to write your own `playAudio` function.
playAudio(pcmData);
}
}
}
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। |
সম্পূর্ণ অডিও ফাইল তৈরি হওয়া পর্যন্ত অপেক্ষা না করে, অডিও রেসপন্স তৈরি হওয়ার সাথে সাথেই তা স্ট্রিম করলে, আপনি আরও দ্রুত ইন্টার্যাকশন এবং কম লেটেন্সি পাবেন।
জেনারেট করা স্পিচ স্ট্রিমিং করার সুবিধা সিঙ্গেল-স্পিকার ও মাল্টি-স্পিকার কনফিগারেশন, দু'টির ক্ষেত্রেই কাজ করে। এটি শুধুমাত্র Gemini 3.x TTS মডেল ব্যবহার করার সময় কাজ করে।
স্পিচ রেসপন্স স্ট্রিম করতে, generateContentStream-কে কল করুন,
generateContent-কে নয় এবং চ্যাঙ্কগুলি আসার সাথে সাথে ম্যানেজ করুন। নিম্নলিখিত উদাহরণে
দেখানো হয়েছে যে কীভাবে একজন বক্তার উত্তর স্ট্রিম করতে হয়:
Swift
import FirebaseAILogic
// Initialize the Gemini Developer API backend service.
let ai = FirebaseAI.firebaseAI(backend: .googleAI())
// Set `responseModalities` to include `audio`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
let config = GenerationConfig(
responseModalities: [.audio],
speechConfig: SpeechConfig(voiceName: "Kore")
)
// Create a `GenerativeModel` instance with a model that supports speech generation.
let model = ai.generativeModel(
modelName: "gemini-3.1-flash-tts-preview",
generationConfig: config
)
// Provide a text prompt.
let prompt = "Tell me a story about a brave knight."
// Call `generateContentStream` to generate the speech output stream based on your text prompt.
let responseStream = try model.generateContentStream(prompt)
// Extract the audio data and handle it for downstream use. For example:
for try await chunk in responseStream {
for part in chunk.inlineDataParts {
let data = part.data // Raw PCM audio bytes (24kHz, 1 channel, 16-bit)
let mimeType = part.mimeType // for example: "audio/pcm"
// Append the audio chunk to your audio queue/buffer for playback.
appendAudioChunk(data)
}
}
Kotlin
Kotlin-এর ক্ষেত্রে, এই SDK-এর পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে করুটিন স্কোপ থেকে কল করতে হবে।
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
val config = generationConfig {
responseModalities = listOf(ResponseModality.AUDIO)
speechConfig = SpeechConfig(voice = Voice("Kore"))
}
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel(
modelName = "gemini-3.1-flash-tts-preview",
generationConfig = config
)
// Provide a text prompt.
val prompt = "Tell me a story about a brave knight."
// Call `generateContentStream` to generate the speech output stream based on your text prompt.
// Extract the audio data and handle it for downstream use.
model.generateContentStream(prompt).collect { chunk ->
val part = chunk.candidates.firstOrNull()?.content?.parts?.firstOrNull()
if (part is InlineDataPart) {
val pcmChunk = part.inlineData // Raw PCM bytes (24kHz, 1 channel, 16-bit)
val mimeType = part.mimeType // for example: "audio/pcm"
// Append the audio chunk to your audio queue/buffer for playback.
appendAudioChunk(pcmChunk)
}
}
Java
Java-র জন্য, এই SDK-তে স্ট্রিমিং পদ্ধতি Reactive Streams লাইব্রেরি থেকেPublisher টাইপ রিটার্ন করে।
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
GenerationConfig config = new GenerationConfig.Builder()
.setResponseModalities(Collections.singletonList(ResponseModality.AUDIO))
.setSpeechConfig(new SpeechConfig(new Voice("Kore")))
.build();
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
GenerativeModel ai = FirebaseAI.getInstance(GenerativeBackend.googleAI())
.generativeModel("gemini-3.1-flash-tts-preview", config);
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
// Provide a text prompt.
String prompt = "Tell me a story about a brave knight.";
Content content = new Content.Builder().addText(prompt).build();
// Call `generateContentStream` to generate the speech output stream based on your text prompt.
Publisher<GenerateContentResponse> streamingResponse =
model.generateContentStream(content);
// Extract the audio data and handle it for downstream use.
streamingResponse.subscribe(new Subscriber<GenerateContentResponse>() {
@Override
public void onSubscribe(Subscription s) {
s.request(Long.MAX_VALUE);
}
@Override
public void onNext(GenerateContentResponse chunk) {
Part part = chunk.getCandidates().get(0).getContent().getParts().get(0);
if (part instanceof InlineDataPart) {
byte[] pcmChunk = ((InlineDataPart) part).getInlineData(); // Raw PCM bytes (24kHz, 1 channel, 16-bit)
String mimeType = ((InlineDataPart) part).getMimeType(); // for example: "audio/pcm"
// Append the audio chunk to your audio queue/buffer for playback.
appendAudioChunk(pcmChunk);
}
}
@Override
public void onComplete() {
// Audio stream complete.
}
@Override
public void onError(Throwable t) {
t.printStackTrace();
}
});
Web
import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend, ResponseModality } from "firebase/ai";
// TODO(developer): Replace with your app's Firebase configuration
const firebaseConfig = { /* ... */ };
const firebaseApp = initializeApp(firebaseConfig);
// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });
// Set `responseModalities` to include `AUDIO`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
const generationConfig = {
responseModalities: [ResponseModality.AUDIO],
speechConfig: {
voiceConfig: { prebuiltVoiceConfig: { voiceName: "Kore" } }
}
};
// Create a `GenerativeModel` instance with a model that supports speech generation.
const model = getGenerativeModel(ai, {
model: "gemini-3.1-flash-tts-preview",
generationConfig
});
// Provide a text prompt.
const prompt = "Tell me a story about a brave knight.";
// Call `generateContentStream` to generate the speech output stream based on your text prompt.
const result = await model.generateContentStream(prompt);
// Extract the audio data and handle it for downstream use. For example:
const playbackQueue = [];
for await (const chunk of result.stream) {
const inlineDataParts = chunk.inlineDataParts();
if (inlineDataParts?.[0]) {
const pcmBase64 = inlineDataParts[0].inlineData.data; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
const pcmBuffer = Uint8Array.from(atob(pcmBase64), c => c.charCodeAt(0)).buffer;
// Append the audio chunk to your audio queue/buffer for playback.
playbackQueue.push(pcmBuffer);
}
}
// To play back an array of PCM buffers in sequence, you'll need to write your own `processPlaybackQueue` function.
processPlaybackQueue(playbackQueue);
Dart
import 'package:firebase_ai/firebase_ai.dart';
// Set `responseModalities` to include `audio`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
final config = GenerationConfig(
responseModalities: [ResponseModality.audio],
speechConfig: SpeechConfig(voiceName: 'Kore'),
);
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports speech generation.
final model = FirebaseAI.googleAI().generativeModel(
model: 'gemini-3.1-flash-tts-preview',
config: config,
);
// Provide a text prompt.
final prompt = 'Tell me a story about a brave knight.';
// Call `generateContentStream` to generate the speech output stream based on your text prompt.
final responseStream = model.generateContentStream([Content.text(prompt)]);
// Extract the audio data and handle it for downstream use. For example:
await for (final chunk in responseStream) {
final part = chunk.candidates.first.content.parts.first;
if (part is InlineDataPart && part.mimeType.startsWith('audio/')) {
final Uint8List pcmChunk = part.bytes; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
// Append the audio chunk to your audio queue/buffer for playback.
appendAudioChunk(pcmChunk);
}
}
Unity
using System.Collections.Generic;
using System.Linq;
using Firebase.AI;
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// Set `ResponseModalities` to include `Audio`.
// Configure a `SpeechConfig` with your chosen voice name (and optionally a language code).
var config = new GenerationConfig(
responseModalities: new List<ResponseModality> { ResponseModality.Audio },
speechConfig: SpeechConfig.UsePrebuiltVoice("Kore")
);
// Create a `GenerativeModel` instance with a model that supports speech generation.
var model = ai.GetGenerativeModel(
modelName: "gemini-3.1-flash-tts-preview",
generationConfig: config
);
// Provide a text prompt.
var prompt = "Tell me a story about a brave knight.";
// Call `GenerateContentStreamAsync` to generate the speech output stream based on your text prompt.
var responseStream = model.GenerateContentStreamAsync(prompt);
// Extract the audio data and handle it for downstream use. For example:
await foreach (var response in responseStream)
{
var audioParts = response.Candidates.FirstOrDefault().Content.Parts
.OfType<ModelContent.InlineDataPart>();
foreach (var part in audioParts)
{
byte[] pcmChunk = part.Data; // Raw PCM bytes (24kHz, 1 channel, 16-bit)
// Append the audio chunk to your audio queue/buffer for playback.
appendAudioChunk(pcmChunk);
}
}
প্রম্পটের মাধ্যমে স্পিচ আউটপুট কন্ট্রোল করা
নির্দিষ্ট প্রম্পটিং টেকনিক ব্যবহার করে, জেনারেট করা স্পিচের টোন, গতি ও স্টাইলকে প্রভাবিত করতে পারবেন।
প্রম্পট স্ট্রাকচার ও অডিও ট্যাগ সম্পর্কে নিম্নলিখিত উপবিভাগ উচ্চ-স্তরের নির্দেশিকা বর্ণনা করে। বিস্তারিত নির্দেশিকার জন্য, এই প্রম্পটিং গাইড দেখুন।
প্রম্পটের গঠন
সেরা ফলাফল পেতে, নিম্নলিখিত কম্পোনেন্ট সহ আপনার প্রম্পট স্ট্রাকচার করুন:
Audio Profile: বক্তার ব্যক্তিত্ব, মূল পরিচয় ও আর্কিটাইপ (যেমন,A warm, professional narrator) বর্ণনা করো।Scene: পরিবেশ ও আবেগপূর্ণ ভাইব (যেমন,In a quiet libraryবাAmidst a noisy crowd) বর্ণনা করুন।Director's Notes: আবেগ, স্পিড, স্টাইল ও অ্যাকসেন্ট (যেমন,Speak slowly and with mystery) বর্ণনা করো।Sample Context: মডেলকে একটি স্টার্টিং পয়েন্ট দিন (যেমন,The speaker is greeting a close friend)।ট্রান্সক্রিপ্ট: আসল টেক্সট যা বলতে হবে। সেরা পারফর্ম্যান্সের জন্য, নিশ্চিত করুন যে টেক্সটের লিখিত টোন ও প্রসঙ্গ যেন ভয়েস প্রোফাইল ও নির্দেশমূলক নোটের সাথে সামঞ্জস্যপূর্ণ হয়।
প্রম্পটের উদাহরণ:
[Audio Profile: A young, energetic voice]
[Scene: A lively sports broadcast]
[Director's Notes: Speak fast, with high energy and excitement]
[Sample Context: The game just ended with a last-second touchdown]
Welcome back fans! What an incredible game we're witnessing today!
অডিও ট্যাগ
মডেলের পারফর্ম্যান্সকে গাইড করতে, আপনি সরাসরি টেক্সট প্রম্পটে ফর্ম্যাটিং ট্যাগ যোগ করতে পারেন।
Gemini 3.x TTS মডেল ব্যবহার করলেই শুধুমাত্র অডিও ট্যাগ কাজ করে।
সাধারণত ব্যবহৃত ট্যাগগুলির মধ্যে এগুলি অন্তর্ভুক্ত:
[whispers]: ফিসফিস করে কথা বলতে[laughs]: হাসি যোগ করতে[giggles]: খিলখিল হাসি যোগ করতে[sighs]: দীর্ঘশ্বাস যোগ করতে[gasp]: একটি গাস্প যোগ করতে[shouting]: চিৎকার করে বলা[excited]: খুব উৎসাহের সাথে কথা বলা[serious]: গুরুত্ব সহকারে কথা বলা[sighs whispers]: মিলিত আবেগ (আপনি ট্যাগ একত্রিত করতে পারেন)
অডিও ট্যাগ ব্যবহার করার সময় নিম্নলিখিত বিষয়গুলি মনে রাখবেন:
সম্পূর্ণ তালিকা নেই: কাজ করে এমন ট্যাগগুলির কোনও নির্দিষ্ট তালিকা নেই। আউটপুটে কী পরিবর্তন হয় তা দেখতে আপনি বিভিন্ন আবেগ ও অভিব্যক্তি (যেমন,
[bored],[sarcastically]বা এমনকি[like dracula]) নিয়ে পরীক্ষা করতে পারেন।ইংরেজি ছাড়া অন্য ভাষায় টেক্সট প্রম্পট: আপনার টেক্সট প্রম্পট ইংরেজিতে না হলেও, সেরা ফলাফল পেতে আপনাকে ইংরেজি অডিও ট্যাগ ব্যবহার করতে হবে।
প্রম্পটের উদাহরণ:
I have a secret to tell you. [whispers] I found the hidden treasure. [laughs] I can't believe it!
সীমাবদ্ধতা ও প্রয়োজনীয়তা
স্পিচ জেনারেশন ব্যবহার করার সময় নিম্নলিখিত সীমাবদ্ধতা ও প্রয়োজনীয়তা সম্পর্কে সচেতন থাকুন:
মাল্টি-স্পিকার কনফিগারেশনে ঠিক ২টি স্পিকার কাজ করে।
নিচে উল্লেখ করা ফিচারগুলি শুধুমাত্র Gemini 3.x TTS মডেল ব্যবহার করার সময় কাজ করে: স্ট্রিমিং, অডিও ট্যাগ এবং অতিরিক্ত অটো-ডিটেক্ট করা ভাষা।
gemini-3.1-flash-tts-preview-এর সীমাবদ্ধতা
- ভয়েস সংক্রান্ত অসঙ্গতি: আপনার প্রম্পটের স্বর ও প্রসঙ্গ স্পিকারের প্রোফাইলের সাথে না মিললে, মডেলের আউটপুট সবসময় বেছে নেওয়া স্পিকারের সাথে কঠোরভাবে নাও মিলতে পারে (যেমন, কোনও গভীর পুরুষালি কণ্ঠস্বর কোনও অল্পবয়স্ক মেয়ের মতো কথা বলার চেষ্টা করছে)। প্রম্পটের প্রসঙ্গ যেন ভয়েসের সাথে মেলে তা নিশ্চিত করুন।
- দীর্ঘ আউটপুট: কয়েক মিনিটের বেশি অডিওর ক্ষেত্রে স্পিচের কোয়ালিটি ও ধারাবাহিকতা খারাপ হতে পারে। আমরা সাজেস্ট করি যে বড় টেক্সট প্রম্পটকে ছোট ছোট অংশে ভাগ করে নিন।
- মাঝে মাঝে টেক্সট টোকেন রিটার্ন করা: মডেল মাঝে মাঝে অডিও টোকেনের পরিবর্তে টেক্সট
টোকেন রিটার্ন করে, এর ফলে
500সমস্যার কারণে অনুরোধটি সম্পূর্ণ হয় না। যেহেতু এটি খুব কম সংখ্যক অনুরোধের ক্ষেত্রে র্যান্ডমভাবে ঘটে, তাই আপনার অ্যাপে আবার চেষ্টা করার লজিক প্রয়োগ করা উচিত। - ক্লাসিফায়ার দ্বারা ভুলভাবে বাতিল করা: অস্পষ্ট প্রম্পট স্পিচ
সিন্থেসিস ক্লাসিফায়ারে ব্যর্থ হতে পারে, এর ফলে অনুরোধ বাতিল হয়ে যেতে পারে
(
PROHIBITED_CONTENT) অথবা মডেল আপনার স্টাইল নির্দেশাবলী জোরে পড়তে পারে। এটি এড়াতে, প্রম্পটের শুরুতে স্পষ্ট প্রারম্ভিক বাক্য (যেমনAudio ProfileওDirector's Notes) সহ একটি স্ট্রাকচার্ড প্রম্পট ব্যবহার করুন।
যেসব ভয়েস ও ভাষায় কাজ করে
Gemini TTS মডেল টেক্সট ইনপুট নেয় এবং অডিও আউটপুট জেনারেট করে, তাই উত্তর হল সিন্থেসাইজ করা স্পিচ। নিচে দেওয়া সাবসেকশনে Gemini TTS মডেল "বলতে" (বা উত্তর দিতে) পারে এমন কাজ করে এমন ভয়েস ও ভাষার তালিকা দেওয়া আছে।
ভয়েসগুলি একাধিক ভাষায় উপলভ্য, এর অর্থ হল, কাজ করে এমন যেকোনও ভাষায় স্পিচ জেনারেট করতে
আপনি একই ভয়েস ব্যবহার করতে পারবেন। যেমন, আপনি ভয়েসকে
Kore হিসেবে সেট করতে পারেন এবং স্প্যানিশ, হিন্দি ও ভিয়েতনামিজ ভাষায় টেক্সট প্রম্পটের একটি সেট পাঠাতে পারেন। উত্তরগুলি
সবই কোরের ভয়েসে দেওয়া হবে, তবে সেগুলি আলাদা আলাদা
ভাষায় হবে।
ভয়েসের নাম
Gemini TTS মডেলে ৩০টি আলাদা আলাদা সিন্থেসাইজ করা HD ভয়েস কাজ করে, প্রত্যেকটি আলাদা আলাদা বৈশিষ্ট্যযুক্ত। নিচের বিভাগটি বড় করে আপনি উত্তর দেওয়ার ভয়েস বিকল্পের তালিকা দেখতে এবং প্রতিটি ভয়েসের ডেমো শুনতে পারবেন।
ভাষা
Gemini TTS মডেল আপনার টেক্সট প্রম্পটে নিম্নলিখিত ভাষাগুলি অটোমেটিক শনাক্ত করতে পারে। জেনারেট করা স্পিচ সেই ভাষায় হবে।
মনে রাখবেন, আপনি ঐচ্ছিকভাবে আপনার স্পিচ কনফিগারেশনে একটি ভাষা কোড স্পষ্টভাবে সেট করতে পারেন।
সব অডিও-জেনারেটিং মডেলের সাথে কাজ করে এমন ভাষা
| ভাষা | BCP-47 কোড | ভাষা | BCP-47 কোড |
|---|---|---|---|
| আরবি (মিশরীয়) | ar-EG | জার্মান (জার্মানি) | de-DE |
| ইংরাজী (US) | en-US | স্প্যানিশ (মার্কিন) | es-US |
| ফরাসি (ফ্রান্স) | fr-FR | হিন্দি (ভারত) | hi-IN |
| ইন্দোনেশিয়ান (ইন্দোনেশিয়া) | id-ID | ইতালীয় (ইতালি) | it-IT |
| জাপানি (জাপান) | ja-JP | কোরিয়ান (কোরিয়া) | ko-KR |
| পর্তুগিজ (ব্রাজিল) | pt-BR | রাশিয়ান (রাশিয়া) | ru-RU |
| ডাচ (হল্যান্ড) | nl-NL | পোলিশ (পোল্যান্ড) | pl-PL |
| থাই (থাইল্যান্ড) | থাই | তুর্কি (তুরস্ক) | tr-TR |
| ভিয়েতনামি (ভিয়েতনাম) | vi-VN | রোমানিয়ান (রোমানিয়া) | ro-RO |
| ইউক্রেনিয়ান (ইউক্রেন) | uk-UA | বাংলা (বাংলাদেশ) | bn-BD |
| ইংরাজি (ভারত) | en-IN ও hi-IN বান্ডেল | মারাঠি (ভারত) | mr-IN |
| তামিল (ভারত) | ta-IN | তেলুগু (ভারত) | te-IN |
অডিও-জেনারেটিং 3.x মডেলের মাধ্যমে কাজ করে এমন অতিরিক্ত ভাষা
| ভাষা | BCP-47 কোড | ভাষা | BCP-47 কোড |
|---|---|---|---|
| আফ্রিকান্স | af | ফিলিপিনো | fil |
| আলবেনিয়ান | sq | ফিনিশ | fi |
| আমহারীক | am | গ্যালিশিয়ান | gl |
| আর্মেনীয় | hy | জর্জিয়ান | ka |
| আজারবাইজানি | az | গ্রিক | el |
| বাস্ক | eu | গুজরাতি | gu |
| বেলারুশিয়ান | be | হাইতিয়ান ক্রেওল | ht |
| বুলগেরিয়ান | bg | হিব্রু | তিনি |
| বার্মিজ | my | হাঙ্গেরিয় | hu |
| কাতালান | ca | আইসল্যান্ডিক | is |
| চেবুয়ানো | ceb | জাভানীয় | jv |
| চিনা, ম্যান্ডারিন | cmn | কন্নড় | kn |
| ক্রোয়েশিয়ান | ঘণ্টা | কোঙ্কনি | kok |
| চেক | cs | লাও | lo |
| ডেনিশ | da | লাতিন | la |
| এস্তোনীয় | et | লাটভিয়ান | lv |
| লিথুয়ানিয়ান | lt | লুক্সেমবার্গীয় | পাউন্ড |
| ম্যাসিডোনীয়ান | mk | মৈথিলি | mai |
| মালাগাসি | মিলিগ্রাম | মালয় | ms |
| মালায়লাম | ml | মঙ্গোলীয়ান | mn |
| নেপালি | ne | নরওয়েজিয়ান, বোকমাল | nb |
| নরওয়েজিয়ান, নাইনরস্ক | nn | ওড়িয়া | অথবা |
| পুশতু | ps | ফার্সি | fa |
| পাঞ্জাবি | pa | সার্বিয় | sr |
| সিন্ধি | sd | সিংহালা | si |
| স্লোভাক | sk | স্লোভেনিয়ান | sl |
| সোয়াহিলি | sw | সুইডিশ | sv |
| উর্দু | ur |
(ঐচ্ছিক) স্পষ্টভাবে ভাষা কোড সেট করুন
আপনার স্পিচ কনফিগারেশনে কোনও ভাষা কোড উল্লেখ না করলে, মডেল আপনার টেক্সট প্রম্পটে অটোমেটিক ভাষা শনাক্ত করে।
তবে, আপনি ঐচ্ছিকভাবে স্পষ্টভাবে ভাষা সেট করতে পারেন (স্পিচ কনফিগারেশনে
languageCode প্যারামিটার ব্যবহার করে)। এটি করতে, আপনাকে অবশ্যই
নিচে উল্লেখ করা মানানসই BCP-47 লোকেল কোডগুলির মধ্যে একটি ব্যবহার করতে হবে:
- আরবি:
ar-XA - বাংলা:
bn-IN - চিনা (ম্যান্ডারিন):
cmn-CN - ডাচ:
nl-NL - ইংরেজি:
en-US,en-GB,en-AU,en-IN - ফরাসি:
fr-FR,fr-CA - জার্মান:
de-DE - গুজরাতি:
gu-IN - হিন্দি:
hi-IN - ইন্দোনেশিয়ান:
id-ID - ইতালিয়ান:
it-IT - জাপানি:
ja-JP - কন্নড়:
kn-IN - কোরিয়ান:
ko-KR - মালয়ালম:
ml-IN - মারাঠি:
mr-IN - পোলিশ:
pl-PL - পর্তুগিজ:
pt-BR - রাশিয়ান:
ru-RU - স্প্যানিশ:
es-US,es-ES - তামিল:
ta-IN - তেলুগু:
te-IN - থাই:
th-TH - তুর্কি:
tr-TR - ভিয়েতনামিজ:
vi-VN
আপনি আর কী করতে পারেন?
- মডেলকে বড় প্রম্পট পাঠানোর আগে, টোকেন কীভাবে গণনা করতে হয় তা জানুন।
-
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
- একাধিকবার কথোপকথন (চ্যাট) তৈরি করো।
- শুধুমাত্র টেক্সট প্রম্পট থেকে টেক্সট জেনারেট করো।
- টেক্সট ও মাল্টিমোডাল প্রম্পট, দু'টি থেকেই স্ট্রাকচার্ড আউটপুট (যেমন JSON) তৈরি করো ।
- টেক্সট ও মাল্টিমোডাল প্রম্পট, দুই ধরনের প্রম্পট থেকেই ছবি জেনারেট ও এডিট করা যায়।
- Gemini Live API ব্যবহার করে স্ট্রিম ইনপুট ও আউটপুট (অডিও সহ) দেখুন।
-
আপনার অ্যাপের অন্যান্য অংশ এবং এক্সটার্নাল
সিস্টেম ও তথ্যের সাথে Gemini মডেল কানেক্ট করতে, টুল ব্যবহার করুন (যেমন ফাংশন কলিং
এবং গ্রাউন্ডিংয়ের সাথে
Google Search বাGoogle Maps )
কন্টেন্ট জেনারেশন কীভাবে নিয়ন্ত্রণ করতে হয় তা জানুন
- প্রম্পট ডিজাইন সম্পর্কে জানুন, যার মধ্যে রয়েছে পেশাদার পদ্ধতি, কৌশল ও প্রম্পটের উদাহরণ।
- মডেল প্যারামিটার কনফিগার করুন যেমন সর্বাধিক আউটপুট টোকেন, রিপিট করা আউটপুট টোকেনের সম্ভাবনা ইত্যাদি।
- ক্ষতিকর হিসেবে 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 জানান