আপনি টেক্সট থেকে স্বাভাবিক, ভাবপূর্ণ স্পিচ (অডিও) সিন্থেসাইজ করতে
Gemini TTS মডেল (gemini-3.8-flash-tts বা
gemini-3.8-flash-lite-tts) ব্যবহার করতে পারেন। Firebase AI Logic ব্যবহার করার সময়, আপনি সরাসরি নিজের মোবাইল বা ওয়েব অ্যাপ (যেমন, আপনার Apple (Swift), Android
(Kotlin / Java), Web (JavaScript), Flutter (Dart) বা Unity অ্যাপ) থেকে এই অনুরোধ করতে পারবেন।
টেক্সট-টু-স্পিচ (TTS) জেনারেশন কন্ট্রোল করা যায়, অর্থাৎ আপনি স্পিচে সিন্থেসাইজ করার জন্য সঠিক টেক্সট প্রদান করেন, পাশাপাশি ডেলিভারি—যেমন আবেগ, গতি, স্পিকারের ভয়েস এবং হাসি বা দীর্ঘশ্বাসের মতো নন-স্পিচ সাউন্ড—স্ট্রাকচার্ড মেটাডেটা এবং ইনলাইন ভোকাল ট্যাগ ব্যবহার করে গাইড করেন। আপনি TTS-কে ট্রান্সক্রিপশনের (স্পিচ-টু-টেক্সট) বিপরীত হিসেবে ভাবতে পারেন।
এই ক্ষমতার সাহায্যে, আপনি এই ধরনের ফিচার তৈরি করতে পারবেন:
- ইন্টার্যাক্টিভ স্টোরিটেলিং ও অডিওবুক: দীর্ঘ গল্প বা রোল-প্লেয়িং গেমের বর্ণনা যেখানে চরিত্রগুলি ভয়েস পরিবর্তন করে, ওভারল্যাপ করা ব্যাকচ্যানেলের মাধ্যমে একে অপরের সাথে প্রতিক্রিয়া জানায় এবং তাদের আবেগপূর্ণ ডেলিভারি (যেমন সাসপেন্সে ফিসফিস করা বা কৌতুক শুনে হাসা) মানিয়ে নেয়।
- কম-লেটেন্সি ভয়েস এজেন্ট ও অ্যাসিস্ট্যান্ট: LLM থেকে টেক্সট আসার সাথে সাথেই সিন্থেসাইজ করা স্পিচ স্ট্রিম করুন, কথোপকথনের সময় ভয়েস পারসোনা একই রাখুন।
- বহুভাষিক কন্টেন্ট রিডার ও ভাষা টিউটর: ১৩০টিরও বেশি ভাষা ও আঞ্চলিক উচ্চারণে নিবন্ধ, রেসিপি বা স্টাডি মেটেরিয়াল জোরে জোরে পড়ুন অথবা একটি কথোপকথনের মধ্যেই সহজে ভাষা পরিবর্তন করুন।
এই নির্দেশিকা থেকে আপনি জানতে পারবেন কীভাবে একজন বা একাধিক স্পিকারের স্পিচ জেনারেট করতে হয়, অডিও উত্তর স্ট্রিম করতে হয়,
SpeechMetadata ও ইনলাইন ট্যাগ ব্যবহার করে সরাসরি ভয়েস ডেলিভারি করতে হয়
এবং আগে থেকে তৈরি, লাইব্রেরি বা কাস্টম ভয়েস থেকে বেছে নিতে হয়।
সিঙ্গেল-স্পিকার কোডে যান মাল্টি-স্পিকার কোডে যান স্ট্রিমিং কোডে যান
TTS এবং Live API-এর মধ্যে তুলনা
টেক্সট-টু-স্পিচ (TTS) মডেল এবং Live API মডেল, দুটিই হল কম-লেটেন্সি, স্পিচ-জেনারেটিং মডেল যা বিভিন্ন রেসপন্স ভয়েস এবং ভাষার জন্য কনফিগার করা যেতে পারে। তবে, এগুলি খুব আলাদা আলাদা ব্যবহারের ক্ষেত্রে কাজে লাগে।
টেক্সট-টু-স্পিচ (TTS) জেনারেশন হল একটি একমুখী, অনুরোধ-প্রতিক্রিয়া ইন্টার্যাকশন (টেক্সট ইন, অডিও আউট)। এটি এমন পরিস্থিতির জন্য তৈরি করা হয়েছে যেখানে প্রদত্ত টেক্সটের সঠিক আবৃত্তি প্রয়োজন, স্টাইল এবং সাউন্ডের উপর সূক্ষ্ম নিয়ন্ত্রণ সহ, যেমন পডকাস্ট বর্ণনা, অডিওবুক বা জোরে জোরে নিবন্ধ পড়া।
Live API জেনারেশন রিয়েল-টাইম ভয়েস কথোপকথনের (ভয়েস ইন, ভয়েস আউট) জন্য দ্বিমুখী স্ট্রিমিং সাপোর্ট করে। এটি ডাইনামিক কথোপকথনের প্রসঙ্গে দারুণ কাজ করে যেখানে মডেল সিদ্ধান্ত নেয় যে কোন স্পিচ ফিরিয়ে দিতে হবে। মনে রাখবেন, লেটেস্ট Live API মডেলে ভিডিও ও ইমেজ ইনপুটও কাজ করে।
শুরু করার আগে
|
এই পৃষ্ঠায় পরিষেবা প্রদানকারী-নির্দিষ্ট কন্টেন্ট ও কোড দেখতে আপনার Gemini API পরিষেবা 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 কীভাবে কানেক্ট করবেন, SDK কীভাবে যোগ করবেন,
আপনার বেছে নেওয়া Gemini API পরিষেবা প্রদানকারীর জন্য ব্যাকএন্ড পরিষেবা কীভাবে শুরু করবেন এবং
GenerativeModel ইনস্ট্যান্স কীভাবে 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
gemini-3.8-flash-ttsgemini-3.8-flash-lite-tts
TTS মডেলের তুলনা
দুটি Gemini 3.x TTS মডেলেরই একই অনুরোধ স্কিমা এবং প্রম্পটিং ফর্ম্যাট আছে। তবে, আপনি প্রতিটি মডেল কখন ব্যবহার করতে পারেন তার কিছু পার্থক্য এখানে দেওয়া হল।
| ফিচার বা ওয়ার্কলোড | gemini-3.8-flash-tts |
gemini-3.8-flash-lite-tts |
|---|---|---|
| প্রাথমিক স্ট্রেন্থ | স্টুডিও-গ্রেড ভয়েস ফিডেলিটি, অ্যাক্টিং নুয়েন্স এবং ব্রড ডায়ালেক্ট কভারেজ | হাই থ্রুপুট, কম লেটেন্সি ও খরচ সাশ্রয় |
| ব্যবহারের সেরা ক্ষেত্র | অডিওবুক, স্টুডিও ন্যারেটর, জটিল মাল্টি-স্পিকার ডায়ালগ, ঘন ঘন ভোকাল-বার্স্ট ট্যাগ, কঠিন উচ্চারণ, আঞ্চলিক উপভাষা | হাই-ভলিউম প্রোডাকশন, রিয়েল-টাইম ভয়েস এজেন্ট ক্যাসকেড, জোরে পড়ো UI ফিচার, প্রতিদিনের একজন বক্তার স্পিচ |
| যেসব ভাষাতে মেসেজ দেখানো যায় | ১৩২টি ভাষা | ১০৩টি ভাষা |
টেক্সট থেকে স্পিচ তৈরি করুন
আপনি সম্পূর্ণ WAV ফাইল (generateContent) বা কম-লেটেন্সি র পিসিএম অডিও স্ট্রিম (generateContentStream) হিসেবে, একক-স্পিকারের ভয়েস বা দুই-স্পিকারের ডায়ালগে টেক্সট ইনপুট থেকে স্পিচ জেনারেট করতে পারবেন।
একজন স্পিকারের মাধ্যমে স্পিচ 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। |
সিঙ্গেল-স্পিকার অডিও কীভাবে জেনারেট করবেন তা এখানে দেওয়া হল:
আপনার
GenerationConfig-এ,responseModalities-কেAUDIO-এ সেট করুন এবং নিম্নলিখিত তথ্য দিয়েSpeechConfigকনফিগার করুন:(প্রয়োজনীয়) ভয়েসের নাম বা আইডি। এটি
Kore-এর মতো প্রি-বিল্ট ভয়েস, এক্সটেন্ডেড ভয়েস লাইব্রেরি ভয়েস আইডি অথবা কাস্টম ভয়েসvoice_.../voicekey_...আইডি হতে পারে।(ঐচ্ছিক) একটি BCP-47 ভাষা কোড। বাদ দেওয়া হলে, মডেল অটোমেটিক ভাষা শনাক্ত করে।
নিম্নলিখিত তথ্য দিয়ে
TextPartতৈরি করুন:(প্রয়োজনীয়) যে ভারবাটিম ট্রান্সক্রিপ্ট বলতে হবে।
(ঐচ্ছিক)
styleবিবরণ সহSpeechMetadata(যেমন,"cheerful and friendly")।
generateContent-কে কল করুন। সাধারণত, ইউনারি অনুরোধের উত্তরে সম্পূর্ণ WAV (audio/wav) অডিও ফাইল (১৬-বিট লিনিয়ার PCM, ২৪ kHz, মোনো, স্ট্যান্ডার্ড ৪৪-বাইট RIFF হেডার সহ) ইনলাইন ডেটা পার্টে ফেরত পাঠানো 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", languageCode: "en-US")
)
// Create a `GenerativeModel` instance with a model that supports speech generation.
let model = ai.generativeModel(
modelName: "gemini-3.8-flash-tts",
generationConfig: config
)
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
let prompt = TextPart(
"Have a wonderful day!",
speechMetadata: SpeechMetadata(style: "cheerful and friendly")
)
// Call `generateContent` to generate the speech output.
let response = try await model.generateContent(prompt)
// Extract the WAV audio data and handle it for downstream use. For example:
for part in response.inlineDataParts {
let wavData = part.data // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
let mimeType = part.mimeType // for example: "audio/wav"
print("Received audio data with MIME type: \(mimeType)")
// Play the WAV audio data using your own playback helper (for example, with `AVAudioPlayer(data: wavData)`).
playAudio(data: wavData)
}
Kotlin
Kotlin-এর জন্য, এই SDK-তে থাকা পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে Coroutine 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.
// Create a `GenerativeModel` instance with a model that supports speech generation.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel(
modelName = "gemini-3.8-flash-tts",
generationConfig = config
)
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
val prompt = content {
text(
text = "Have a wonderful day!",
speechMetadata = SpeechMetadata(style = "cheerful and friendly")
)
}
// Call `generateContent` to generate the speech output.
val response = model.generateContent(prompt)
// Extract the WAV audio data and handle it for downstream use. For example:
val part = response.candidates.firstOrNull()?.content?.parts?.firstOrNull()
if (part is InlineDataPart) {
val wavData = part.inlineData // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Pass the audio data to your audio player or playback helper (which you'll need to implement).
playAudio(wavData)
}
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-3.8-flash-tts", config);
// Use the GenerativeModelFutures Java compatibility layer.
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
Content content = new Content.Builder()
.addText("Have a wonderful day!", new SpeechMetadata(null, "cheerful and friendly"))
.build();
Executor executor = Executors.newSingleThreadExecutor();
// Call `generateContent` to generate the speech output.
// Extract the WAV 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[] wavData = ((InlineDataPart) part).getInlineData(); // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Pass the audio data to your audio player or playback helper (which you'll need to implement).
playAudio(wavData);
}
}
@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-3.8-flash-tts",
generationConfig
});
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
const prompt = [
{
type: "text",
text: "Have a wonderful day!",
speechMetadata: { style: "cheerful and friendly" }
}
];
// Call `generateContent` to generate the speech output.
const result = await model.generateContent(prompt);
const inlineDataParts = result.response.inlineDataParts();
// Extract the WAV audio data and handle it for downstream use. For example:
if (inlineDataParts?.[0]) {
const wavBase64 = inlineDataParts[0].inlineData.data; // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Decode base64 to ArrayBuffer
const wavBuffer = Uint8Array.from(atob(wavBase64), c => c.charCodeAt(0)).buffer;
// The response is a complete WAV file, so the Web Audio API can decode and play it directly.
const audioCtx = new AudioContext();
const audioBuffer = await audioCtx.decodeAudioData(wavBuffer);
const source = audioCtx.createBufferSource();
source.buffer = audioBuffer;
source.connect(audioCtx.destination);
source.start();
}
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: [ResponseModalities.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-3.8-flash-tts',
generationConfig: config,
);
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
final prompt = Content.multi([
TextPart(
'Have a wonderful day!',
speechMetadata: SpeechMetadata(style: 'cheerful and friendly'),
),
]);
// Call `generateContent` to generate the speech output.
final response = await model.generateContent([prompt]);
// Extract the WAV 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 wavData = part.bytes; // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Play the WAV audio data using your preferred audio player or helper (which you'll need to implement).
await playAudio(wavData);
}
Unity
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 language code.
var config = new GenerationConfig(
responseModalities: new System.Collections.Generic.List<ResponseModality> { ResponseModality.Audio },
speechConfig: SpeechConfig.UsePrebuiltVoice("Kore", "en-US")
);
// Create a `GenerativeModel` instance with a model that supports speech generation.
var model = ai.GetGenerativeModel(
modelName: "gemini-3.8-flash-tts",
generationConfig: config
);
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
var prompt = new ModelContent(
new ModelContent.TextPart(
"Have a wonderful day!",
new SpeechMetadata(speaker: null, style: "cheerful and friendly")
)
);
// Call `GenerateContentAsync` to generate the speech output.
var response = await model.GenerateContentAsync(prompt);
// Extract the WAV 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[] wavData = inlineData.Data; // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Pass the audio data to your audio player or playback helper (which you'll need to implement).
PlayAudio(wavData);
}
}
}
একাধিক স্পিকারের সাথে স্পিচ 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 প্রতিটি স্পিকারকে একটি স্বতন্ত্র ভয়েস অ্যাসাইন করে এবং প্রতিটি ডায়ালগের লাইনকে নিজস্ব TextPart হিসেবে পাস করে
একটি অনুরোধেই স্বাভাবিক দুই-স্পিকারের কথোপকথন তৈরি করতে পারেন:
একটি
MultiSpeakerVoiceConfigতৈরি করুন যা দুটি স্পিকারের নাম (যেমন,"Joe"এবং"Jane") তাদেরSpeakerVoiceConfigভয়েসের সাথে ম্যাপ করে।আপনার
GenerationConfig-এ,responseModalities-কেAUDIOহিসেবে সেট করুন এবং আপনারMultiSpeakerVoiceConfig(এবং ঐচ্ছিকlanguageCode)SpeechConfig-এ পাস করুন।TextPartঅবজেক্টের একটি অ্যারে বা তালিকা প্রদান করুন, বিশেষ করে প্রতিটি ডায়ালগ টার্নের জন্য একটিTextPart। প্রতিTextPart-এ, নিম্নলিখিত বিকল্পের সাথেSpeechMetadataসেট করুন:- (প্রয়োজনীয়) একটি
speakerযা আপনারMultiSpeakerVoiceConfig-এ উল্লেখ করা স্পিকারের নামের সাথে ম্যাচ করে। - (ঐচ্ছিক)
style-এর বিবরণ (যেমন,"cheerful and friendly")।
- (প্রয়োজনীয়) একটি
generateContent-কে কল করুন। মডেলটি সম্পূর্ণ কথোপকথন সিন্থেসাইজ করে এবং একটি সম্পূর্ণ WAV (audio/wav) অডিও ফাইল প্রদান 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-3.8-flash-tts",
generationConfig: config
)
// Provide one `TextPart` per dialogue turn, specifying the speaker and optional style in `SpeechMetadata`.
let prompt: [any PartsRepresentable] = [
TextPart(
"How's it going today, Jane?",
speechMetadata: SpeechMetadata(speaker: "Joe", style: "cheerful and friendly")
),
TextPart(
"Not too bad, how about you?",
speechMetadata: SpeechMetadata(speaker: "Jane", style: "calm and relaxed")
)
]
// Call `generateContent` to generate the multi-speaker speech output.
let response = try await model.generateContent(prompt)
// Extract the WAV audio data and handle it for downstream use. For example:
for part in response.inlineDataParts {
let wavData = part.data // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
let mimeType = part.mimeType // for example: "audio/wav"
print("Received audio data with MIME type: \(mimeType)")
// Play the WAV audio data using your own playback helper (for example, with `AVAudioPlayer(data: wavData)`).
playAudio(data: wavData)
}
Kotlin
Kotlin-এর জন্য, এই SDK-তে থাকা পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে Coroutine 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-3.8-flash-tts",
generationConfig = config
)
// Provide one text part per dialogue turn, specifying the speaker and optional style in `SpeechMetadata`.
val prompt = content {
text(
text = "How's it going today, Jane?",
speechMetadata = SpeechMetadata(speaker = "Joe", style = "cheerful and friendly")
)
text(
text = "Not too bad, how about you?",
speechMetadata = SpeechMetadata(speaker = "Jane", style = "calm and relaxed")
)
}
// Call `generateContent` to generate the multi-speaker speech output.
val response = model.generateContent(prompt)
// Extract the WAV audio data and handle it for downstream use. For example:
val part = response.candidates.firstOrNull()?.content?.parts?.firstOrNull()
if (part is InlineDataPart) {
val wavData = part.inlineData // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Pass the audio data to your audio player or playback helper (which you'll need to implement).
playAudio(wavData)
}
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, "en-US");
// 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-3.8-flash-tts", config);
// Use the `GenerativeModelFutures` Java compatibility layer.
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
// Provide one text part per dialogue turn, specifying the speaker and optional style in `SpeechMetadata`.
Content content = new Content.Builder()
.addText(
"How's it going today, Jane?",
new SpeechMetadata("Joe", "cheerful and friendly"))
.addText(
"Not too bad, how about you?",
new SpeechMetadata("Jane", "calm and relaxed"))
.build();
Executor executor = Executors.newSingleThreadExecutor();
// Call `generateContent` to generate the multi-speaker speech output.
// Extract the WAV 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[] wavData = ((InlineDataPart) part).getInlineData(); // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Pass the audio data to your audio player or playback helper (which you'll need to implement).
playAudio(wavData);
}
}
@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-3.8-flash-tts",
generationConfig
});
// Provide one `TextPart` per dialogue turn, specifying the speaker and optional style in `speechMetadata`.
const prompt = [
{
type: "text",
text: "How's it going today, Jane?",
speechMetadata: { speaker: "Joe", style: "cheerful and friendly" }
},
{
type: "text",
text: "Not too bad, how about you?",
speechMetadata: { speaker: "Jane", style: "calm and relaxed" }
}
];
// Call `generateContent` to generate the multi-speaker speech output.
const result = await model.generateContent(prompt);
const inlineDataParts = result.response.inlineDataParts();
// Extract the WAV audio data and handle it for downstream use. For example:
if (inlineDataParts?.[0]) {
const wavBase64 = inlineDataParts[0].inlineData.data; // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Decode base64 to ArrayBuffer
const wavBuffer = Uint8Array.from(atob(wavBase64), c => c.charCodeAt(0)).buffer;
// The response is a complete WAV file, so the Web Audio API can decode and play it directly.
const audioCtx = new AudioContext();
const audioBuffer = await audioCtx.decodeAudioData(wavBuffer);
const source = audioCtx.createBufferSource();
source.buffer = audioBuffer;
source.connect(audioCtx.destination);
source.start();
}
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: [ResponseModalities.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-3.8-flash-tts',
generationConfig: config,
);
// Provide one `TextPart` per dialogue turn, specifying the speaker and optional style in `SpeechMetadata`.
final prompt = Content.multi([
TextPart(
"How's it going today, Jane?",
speechMetadata: SpeechMetadata(speaker: 'Joe', style: 'cheerful and friendly'),
),
TextPart(
'Not too bad, how about you?',
speechMetadata: SpeechMetadata(speaker: 'Jane', style: 'calm and relaxed'),
),
]);
// Call `generateContent` to generate the multi-speaker speech output.
final response = await model.generateContent([prompt]);
// Extract the WAV 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 wavData = part.bytes; // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Play the WAV audio data using your preferred audio player or helper (which you'll need to implement).
await playAudio(wavData);
}
Unity
using Firebase.AI;
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// 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, "en-US");
// Set `responseModalities` to include `Audio`.
var config = new GenerationConfig(
responseModalities: new System.Collections.Generic.List<ResponseModality> { ResponseModality.Audio },
speechConfig: multiSpeechConfig
);
// Create a `GenerativeModel` instance with a model that supports speech generation.
var model = ai.GetGenerativeModel(
modelName: "gemini-3.8-flash-tts",
generationConfig: config
);
// Provide one `TextPart` per dialogue turn, specifying the speaker and optional style in `SpeechMetadata`.
var prompt = new ModelContent(
new ModelContent.TextPart(
"How's it going today, Jane?",
new SpeechMetadata(speaker: "Joe", style: "cheerful and friendly")
),
new ModelContent.TextPart(
"Not too bad, how about you?",
new SpeechMetadata(speaker: "Jane", style: "calm and relaxed")
)
);
// Call `GenerateContentAsync` to generate the multi-speaker speech output.
var response = await model.GenerateContentAsync(prompt);
// Extract the WAV 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[] wavData = inlineData.Data; // WAV audio bytes (24kHz, 1 channel, 16-bit PCM)
// Pass the audio data to your audio player or playback helper (which you'll need to implement).
PlayAudio(wavData);
}
}
}
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। |
কম টাইম-টু-ফার্স্ট-অডিও (TTFA) এবং রিয়েল-টাইম প্লেব্যাকের জন্য, আপনি অডিও উত্তর জেনারেট হওয়ার সাথে সাথে স্ট্রিম করতে পারবেন, পুরো ক্লিপ শেষ হওয়ার জন্য অপেক্ষা করতে হবে না। সিঙ্গেল-স্পিকার এবং মাল্টি-স্পিকার কনফিগারেশন, দুটির সাথেই স্ট্রিমিং কাজ করে।
স্পিচ স্ট্রিম করতে, generateContent-এর পরিবর্তে generateContentStream-এ কল করুন।
ইউনারি অনুরোধের (যা WAV ফাইল রিটার্ন করে) মতো নয়, স্ট্রিমিং অনুরোধ
হেডারলেস র ১৬-বিট সাইনড লিটল-এন্ডিয়ান PCM চাঙ্ক (audio/l16, ২৪ kHz,
মোনো) রিটার্ন করে যাতে আপনি প্রতিটি চাঙ্ক সরাসরি আপনার অডিও আউটপুট বাফারে যোগ করতে পারেন।
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-3.8-flash-tts",
generationConfig: config
)
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
let prompt = TextPart(
"Tell me a story about a brave knight.",
speechMetadata: SpeechMetadata(style: "warm, engaging audiobook narrator")
)
// Call `generateContentStream` to stream the speech output as it is generated.
let responseStream = try model.generateContentStream(prompt)
// Extract the raw PCM audio chunks and queue them for playback:
for try await chunk in responseStream {
for part in chunk.inlineDataParts {
let pcmChunk = part.data // Headerless raw PCM bytes (24kHz, 1 channel, 16-bit)
// Append the audio chunk to your audio queue/buffer for playback (using a helper you implement).
appendAudioChunk(pcmChunk)
}
}
Kotlin
Kotlin-এর জন্য, এই SDK-তে থাকা পদ্ধতিগুলি হল সাসপেন্ড ফাংশন এবং এগুলিকে Coroutine 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-3.8-flash-tts",
generationConfig = config
)
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
val prompt = content {
text(
text = "Tell me a story about a brave knight.",
speechMetadata = SpeechMetadata(style = "warm, engaging audiobook narrator")
)
}
// Call `generateContentStream` to stream the speech output as it is generated.
// Extract the raw PCM audio chunks and queue them for playback.
model.generateContentStream(prompt).collect { chunk ->
val part = chunk.candidates.firstOrNull()?.content?.parts?.firstOrNull()
if (part is InlineDataPart) {
val pcmChunk = part.inlineData // Headerless raw PCM bytes (24kHz, 1 channel, 16-bit)
// Append the audio chunk to your audio queue/buffer for playback (using a helper you implement).
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-3.8-flash-tts", config);
// Use the `GenerativeModelFutures` Java compatibility layer.
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
Content content = new Content.Builder()
.addText(
"Tell me a story about a brave knight.",
new SpeechMetadata(null, "warm, engaging audiobook narrator"))
.build();
// Call `generateContentStream` to stream the speech output as it is generated.
Publisher<GenerateContentResponse> streamingResponse =
model.generateContentStream(content);
// Extract the raw PCM audio chunks and queue them for playback.
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(); // Headerless raw PCM bytes (24kHz, 1 channel, 16-bit)
// Append the audio chunk to your audio queue/buffer for playback (using a helper you implement).
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-3.8-flash-tts",
generationConfig
});
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
const prompt = [
{
type: "text",
text: "Tell me a story about a brave knight.",
speechMetadata: { style: "warm, engaging audiobook narrator" }
}
];
// Call `generateContentStream` to stream the speech output as it is generated.
const result = await model.generateContentStream(prompt);
// Extract the raw PCM audio chunks and queue them for playback:
const playbackQueue = [];
for await (const chunk of result.stream) {
const inlineDataParts = chunk.inlineDataParts();
if (inlineDataParts?.[0]) {
const pcmBase64 = inlineDataParts[0].inlineData.data; // Headerless 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.
// In a real app, start playing chunks as they arrive (rather than waiting for
// the whole stream to finish) to get the low-latency benefit of streaming.
playbackQueue.push(pcmBuffer);
}
}
// To play back an array of PCM buffers in sequence, pass them to your playback helper (which you'll need to write).
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: [ResponseModalities.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-3.8-flash-tts',
generationConfig: config,
);
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
final prompt = Content.multi([
TextPart(
'Tell me a story about a brave knight.',
speechMetadata: SpeechMetadata(style: 'warm, engaging audiobook narrator'),
),
]);
// Call `generateContentStream` to stream the speech output as it is generated.
final responseStream = model.generateContentStream([prompt]);
// Extract the raw PCM audio chunks and queue them for playback:
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; // Headerless raw PCM bytes (24kHz, 1 channel, 16-bit)
// Append the audio chunk to your audio queue/buffer for playback (using a helper you implement).
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-3.8-flash-tts",
generationConfig: config
);
// Provide the verbatim text to synthesize as speech.
// Optionally provide turn-level style metadata.
var prompt = new ModelContent(
new ModelContent.TextPart(
"Tell me a story about a brave knight.",
new SpeechMetadata(speaker: null, style: "warm, engaging audiobook narrator")
)
);
// Call `GenerateContentStreamAsync` to stream the speech output as it is generated.
var responseStream = model.GenerateContentStreamAsync(prompt);
// Extract the raw PCM audio chunks and queue them for playback:
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; // Headerless raw PCM bytes (24kHz, 1 channel, 16-bit)
// Append the audio chunk to your audio queue/buffer for playback (using a helper you implement).
AppendAudioChunk(pcmChunk);
}
}
মেটাডেটা ও ইনলাইন ট্যাগ ব্যবহার করে স্পিচ আউটপুট নিয়ন্ত্রণ করা
Gemini 3.x TTS মডেল প্রতিটি TextPart-এর মধ্যে থাকা text-কে
জোরে জোরে বলার জন্য কঠোরভাবে ভার্বাটিম ট্রানস্ক্রিপ্ট হিসেবে বিবেচনা করে। টেক্সট স্ট্রিংয়ের মধ্যে
বর্ণনামূলক নির্দেশাবলী (যেমন "Say cheerfully:") লিখবেন না, অথবা
মডেল সেই শব্দগুলি জোরে জোরে পড়তে পারে।
আপনি নিম্নলিখিত কৌশলগুলি ব্যবহার করে ভোকাল পারফর্ম্যান্স পরিচালনা করতে পারেন:
টার্ন-লেভেল style এবং ইনলাইন ভোকাল ট্যাগ
আপনার পারফর্ম্যান্সের দিকনির্দেশকে SpeechMetadata এবং
ইনলাইন অ্যাঙ্গেল-ব্র্যাকেট ট্যাগ (<...>)-এর মধ্যে স্কোপ অনুযায়ী ভাগ করুন।
| সুযোগ | কোথায় রাখবেন | এটি কী নিয়ন্ত্রণ করে | উদাহরণ |
|---|---|---|---|
|
টার্ন-লেভেল (পুরো টার্ন জুড়ে বজায় থাকে) |
SpeechMetadata.style
|
আবেগ, ব্যক্তিত্ব, টোন, ইনফ্লেকশন, পিচ এবং সামগ্রিক কথা বলার হার |
"cheerful and friendly","whispered, nervous","speaking rapidly","out of breath","sarcastic"
|
|
নির্দিষ্ট সময় (বাক্যের নির্দিষ্ট মুহূর্তের জন্য লোকালাইজ করা) |
<...> ব্যবহার করে TextPart টেক্সটে ইনলাইন করা হয়েছে
|
স্পিচ নয় এমন মানুষের কণ্ঠস্বর, শ্বাস-প্রশ্বাস, বিরতি বা ক্ষণস্থায়ী ডেলিভারি শিফ্ট |
"Wait... <short pause> did you hear that? <gasp> Someone's at the door."
|
গতি, পজ, পিচ ও জোর দেওয়া
যতিচিহ্ন ও উপবৃত্ত: স্বাভাবিক বাক্যাংশ ও দ্বিধা তৈরি করতে ট্রান্সস্ক্রিপ্টে কমা, ড্যাশ (
--) ও উপবৃত্ত (...) ব্যবহার করুন।স্পষ্ট পজ ট্যাগ: স্পিকারকে ঠিক যে পয়েন্টে পজ করতে হবে সেখানে ইনলাইন
<short pause>বা<long pause>যোগ করুন:Hold on, let me think... <short pause> Alright, I've got it.কথা বলার রেট ও পিচ: টার্নের জন্য সামগ্রিক গতি, পিচ বা ইনফ্লেকশন কন্ট্রোল করতে
SpeechMetadata-এstyleসেট করুন (যেমন,"speaking rapidly and excitedly","speaking slowly", বা"monotone and flat")। মনোলগের মাঝে আবেগ বা গতি পরিবর্তিত হলে, স্ক্রিপ্টকে আলাদা আলাদাTextPartটার্নে ভাগ করুন, যার প্রতিটিতে নিজস্বstyleথাকবে।শব্দে জোর দেওয়া: ট্রানস্ক্রিপ্টে নির্দিষ্ট শব্দে জোর দিতে সেগুলি বড় হাতের অক্ষরে লিখুন:
It was a VERY long day <sigh> ... nobody listens anymore.
ভোকাল বার্স্ট ও নন-স্পিচ সাউন্ড
অ্যাঙ্গেল ব্র্যাকেট (<...>) ব্যবহার করে ইনলাইনে মানুষের কণ্ঠস্বর থেকে নির্গত শব্দ (যা কথা নয়) যোগ করুন।
যেখানে শব্দটি হওয়া উচিত ঠিক সেই শব্দ সীমানায় এটি যোগ করুন। অ-মৌখিক সাউন্ড এফেক্টের পরিবর্তে
মানুষের কণ্ঠস্বর ব্যবহার করুন। ব্যবহার করার জন্য এখানে সাজেস্ট করা ট্যাগ দেওয়া হল:
<argh> |
<exhales> |
<heavy breath> |
<scream> |
<snort> |
<breath> |
<gasp> |
<hiss> |
<short pause> |
<sob> |
<cackle> |
<giggle> |
<laugh> /<laughter> |
<shout> |
<throat-clearing> |
<cheer> |
<groan> |
<long pause> |
<shriek> |
<tsk> |
<chuckle> /<chuckles> |
<growl> |
<moan> |
<sigh> /<sighs> |
<whimper> |
<cough> |
<grr> |
<pant> |
<sneeze> |
<whispers> /<whispering> |
<cry> |
<grunt> |
<pff> /<phew> |
<snicker> |
<yawn> |
ব্যাকচ্যানেল ও ওভারল্যাপ করা স্পিচ
মাল্টি-স্পিকার ডায়ালগে, আপনি অ্যাক্টিভ স্পিকারের ট্রান্সক্রিপ্টের মধ্যে
পাইপ ক্যারেক্টারে (|reaction|) শ্রোতার সংক্ষিপ্ত প্রতিক্রিয়া
র্যাপ করতে পারেন। যিনি কথা বলছেন না তিনি আলাদা করে সুযোগ না নিয়েই স্বাভাবিকভাবে
কথা বলতে শুরু করেন:
শ্রোতার সংক্ষিপ্ত ব্যাকচ্যানেল:
- টার্ন ১ (
speaker: "Joe"):"So the launch is Thursday |oh hmm| Are we actually ready?" - টার্ন ২ (
speaker: "Jane"):"Ready enough |oh really?| The last blocker cleared this morning."
- টার্ন ১ (
ওভারল্যাপ করা স্পিচ: আপনি একাধিক পাইপ সেগমেন্ট ব্যবহার করে একসাথে স্পিচ সিমুলেট করতে পারেন (
gemini-3.8-flash-tts-এর সাথে সবচেয়ে ভাল কাজ করে), যেমন:- টার্ন ১ (
speaker: "Joe"):"Let's surprise him on three |ok| ready?" - টার্ন ২ (
speaker: "Jane"):"one. two. three. |happy| happy |birthday| birthday!"
- টার্ন ১ (
সামঞ্জস্য বজায় রাখার পেশাদার পদ্ধতি
প্রথমে
styleছাড়া টেস্ট করুন, তারপর সংক্ষিপ্তstyleটুইক যোগ করুন: বেশিরভাগ অনুরোধ খালিstyleফিল্ডের সাথে স্বাভাবিক শোনায়। শুধুমাত্র কোনও টার্নে নির্দিষ্ট ডেলিভারি অ্যাডজাস্টমেন্টের প্রয়োজন হলে, একটি ছোটstyleবাক্যাংশ (যেমন"casual, friendly"বা"reflective and awe-inspired") যোগ করুন এবং আপনি যখন একটি সামঞ্জস্যপূর্ণ বেসলাইন চান তখন টার্ন জুড়ে একই ছোট স্ট্রিং আবার ব্যবহার করুন।স্বাভাবিকভাবে বলা কথার ট্রান্সক্রিপ্ট লিখুন: কথোপকথনের সময় ব্যবহৃত সংক্ষিপ্ত রূপ এবং স্বাভাবিকভাবে কথা বলার সময় হওয়া ভুল (যেমন
"Oh, uh, yeah I think... hm, that's interesting") সরাসরি ট্রান্সক্রিপ্ট টেক্সটে অন্তর্ভুক্ত করুন।পুরনো
[Audio Profile]ব্লক ও মেটা-নির্দেশাবলী এড়িয়ে চলুন: দীর্ঘ ব্যক্তিত্বের অনুচ্ছেদ,[Director's Notes]ব্লক বা মেটা-নির্দেশাবলী যেমন"maintain identical timbre"ভয়েস ড্রিফ্ট বাড়িয়ে দেয়। পরিবর্তে, এক্সটেন্ডেড ভয়েস লাইব্রেরি থেকে মানানসই ভয়েস বেছে নিন অথবা ভয়েস ডিজাইন-এর মাধ্যমে একটি পারসিস্টেন্ট ক্যারেক্টার ভয়েস তৈরি করুন।style-এ অপরিবর্তনীয় ভয়েস বৈশিষ্ট্য ওভাররাইড করার চেষ্টা করবেন না: ভয়েসের বয়স, লিঙ্গগত পরিচয় বা স্থায়ী অ্যাকসেন্ট পরিবর্তন করতেSpeechMetadata.styleব্যবহার করা এড়িয়ে চলুন। এর পরিবর্তে, সেইসব বৈশিষ্ট্য সহ কোনও ভয়েস বেছে নিন বা ডিজাইন করুন।
যেসব ভয়েস ব্যবহার করা যায়
Gemini 3.x TTS মডেল তিনটি উপায়ে ভয়েস নির্দিষ্ট করতে সাহায্য করে:
সব ভয়েস একাধিক ভাষায় উপলভ্য, অর্থাৎ আপনি একই ভয়েস ব্যবহার করে
কাজ করে এমন যেকোনও ভাষায় স্পিচ তৈরি করতে পারবেন এবং
স্পিকারের পরিচয় একই থাকবে। যেমন, আপনি যদি ভয়েসকে আগে থেকে তৈরি করা
Kore ভয়েসে সেট করেন এবং স্প্যানিশ, হিন্দি ও ভিয়েতনামিজ ভাষায় প্রম্পট পাঠান, তাহলে উত্তরগুলি
এইসব ভাষার প্রত্যেকটিতে Kore ভয়েস ব্যবহার করবে। ৩০টি কোর প্রি-বিল্ট ভয়েস সাধারণ-উদ্দেশ্যে ব্যবহৃত বহুভাষিক
ভয়েস হলেও, এক্সটেন্ডেড ভয়েস লাইব্রেরি ভয়েস এবং
কাস্টম ভয়েস প্রাথমিক লোকেল বা আঞ্চলিক
উচ্চারণের সাথে অ্যাঙ্কর করা থাকে। এর অর্থ হল, তারা এখনও অন্যান্য ভাষায় কথা বলতে পারে, তবে তাদের প্রাথমিক লোকেলে
সবচেয়ে বেশি খাঁটি শোনায়।
মূল প্রি-বিল্ট ভয়েস
Gemini TTS মডেলে ৩০টি মূল প্রি-বিল্ট ভয়েস (যেমন Kore,
Puck, Zephyr, Charon এবং Fenrir) কাজ করে, যার প্রত্যেকটির আলাদা আলাদা ভোকাল
বৈশিষ্ট্য আছে। SpeechConfig-এ ভয়েসের নাম পাস করুন (এই পৃষ্ঠার উপরে
সিঙ্গেল-স্পিকার এবং মাল্টি-স্পিকার-এর উদাহরণে
যেমন দেখানো হয়েছে)।
এক্সটেন্ডেড ভয়েস লাইব্রেরি থেকে প্রিসেট ভয়েস
৩০টি প্রি-বিল্ট ভয়েস ছাড়াও, এক্সটেন্ডেড ভয়েস লাইব্রেরি ২,০০০-এর বেশি কিউরেট করা প্রি-সেট ভয়েস প্রদান করে যা বিভিন্ন ভাষা, আঞ্চলিক উচ্চারণ, বয়সের রেঞ্জ, চরিত্রের ব্যক্তিত্ব এবং ব্যবহারের কেস (যেমন, অডিওবুক, গ্রাহক সহায়তা এজেন্ট এবং সংবাদ পাঠক) জুড়ে বিস্তৃত।
আপনার অ্যাপে এক্সটেন্ডেড ভয়েস লাইব্রেরি থেকে যেকোনও ভয়েস কীভাবে ব্যবহার করবেন তা এখানে দেওয়া হল:
এইসব বিকল্পের মধ্যে থেকে যেকোনও একটি ব্যবহার করে ভয়েস ব্রাউজ ও প্রিভিউ করুন:
ভয়েস
idপেতে Google AI Studio অথবা Agent Studio ব্যবহার করুন।idভয়েস পেতে Voices APIlistপদ্ধতি (type=prebuiltসহListVoicesএবং একটি ঐচ্ছিকsearchকোয়েরি) কোয়েরি করুন। Gemini Developer API ডকুমেন্টেশন অথবা Agent Platform Gemini API (formerly Vertex AI) ডকুমেন্টেশন থেকে আরও জানুন।
SpeechConfig-এ ভয়েসের নাম হিসেবে লাইব্রেরি ভয়েসেরidস্ট্রিং পাস করুন (এই পৃষ্ঠায় আগে দেখানো সিঙ্গেল-স্পিকার উদাহরণের মতো)।
কাস্টম ভয়েস: ভয়েস ডিজাইন ও ভয়েস রেপ্লিকেশন
এছাড়াও, Gemini 3.x TTS মডেল নিম্নলিখিত বিকল্পগুলির মধ্যে যেকোনও একটি ব্যবহার করে কাস্টম ভয়েস সাপোর্ট করে:
ভয়েস ডিজাইন (প্রিভিউ): স্পিকারের বয়স, ভোকাল টিম্বার, অ্যাকসেন্ট ও ব্যক্তিত্বের (কোনও রেফারেন্স অডিওর প্রয়োজন ছাড়াই) ন্যাচারাল-ল্যাঙ্গুয়েজ বিবরণ থেকে একটি অনন্য কাস্টম ভয়েস জেনারেট করুন। সেভ করা ভয়েস আইডি (
voice_...) দেখায়।ভয়েস রেপ্লিকেশন (প্রিভিউ): রেফারেন্স রেকর্ডিং এবং মৌখিক সম্মতির রেকর্ডিং থেকে বক্তার ভয়েস, টোন এবং ক্যাডেন্স রেপ্লিকেট করুন। প্রোজেক্টে সেভ করা ভয়েস আইডি (
voice_...) অথবা স্টেটলেস, অ্যাপ-ম্যানেজড ভয়েস রেপ্লিকেশন কী (voicekey_...) রিটার্ন করে।
আপনার Firebase AI Logic অ্যাপে কাস্টম ভয়েস ব্যবহার করুন
কাস্টম ভয়েস তৈরি ও ম্যানেজ করা হল অ্যাডমিনিস্ট্রেটিভ বা সার্ভার-সাইড
অপারেশন, তাই Firebase AI Logic ক্লায়েন্ট SDK সরাসরি
ভয়েস ম্যানেজমেন্ট এন্ডপয়েন্ট (CreateVoice, ListVoices, DeleteVoice) দেখায় না।
পরিবর্তে, কাস্টম ভয়েস ব্যবহার করতে, আপনাকে নিম্নলিখিত ধাপগুলি অনুসরণ করতে হবে:
এইসব বিকল্পের মধ্যে যেকোনও একটি ব্যবহার করে একবার কাস্টম ভয়েস তৈরি করুন:
আপনার
voice_<id>বাvoicekey_<id>শনাক্তকারী পেতে Google AI Studio অথবা Agent Studio ব্যবহার করুন।আপনার
voice_<id>বাvoicekey_<id>আইডেন্টিফায়ার পেতে Voices API ব্যবহার করুন। আপনার বেছে নেওয়া Gemini API পরিষেবা প্রদানকারী থেকে আরও জানুনGemini Developer API: স্পিচ জেনারেশন
Agent Platform Gemini API (formerly Vertex AI): ভয়েস ডিজাইন এবং ভয়েস রেপ্লিকেশন
SpeechConfig-এ ভয়েসের নাম হিসেবেvoice_<id>বাvoicekey_<id>স্ট্রিং পাস করুন (এই পৃষ্ঠায় আগে দেখানো সিঙ্গেল-স্পিকার উদাহরণের মতো)।
কাস্টম ভয়েস ব্যবহার করার সময় নিম্নলিখিত প্রয়োজনীয়তাগুলি মনে রাখবেন:
লোকেশন (Agent Platform Gemini API (formerly Vertex AI)): কাস্টম ভয়েস (
voice_...এবংvoicekey_...) শুধুমাত্রglobalলোকেশনে কাজ করে (যা Firebase AI Logic ব্যবহার করার সময় ডিফল্ট লোকেশন হিসেবে সেট করা থাকে)।সিঙ্গেল-স্পিকার অনুরোধ:
MultiSpeakerVoiceConfigশুধুমাত্র কোর প্রি-বিল্ট ভয়েস সাপোর্ট করে। একাধিক চরিত্রের সংলাপে কাস্টম ডিজাইন করা বা প্রতিলিপি করা ভয়েস ব্যবহার করতে, প্রতিটি চরিত্রের সংলাপ আলাদা সিঙ্গেল-স্পিকার অনুরোধে সিন্থেসাইজ করুন।রিটেনশন ও মেয়াদ শেষ হওয়া: সেভ করা কাস্টম ভয়েসের (
voice_...) মেয়াদ শেষ হয়ে যায় যদি ১ বছর ব্যবহার না করা হয় (প্রতিটি সিন্থেসিস অনুরোধ ১-বছরের রিটেনশন টাইমার রিসেট করে); স্টেটলেস ভয়েস রেপ্লিকেশন 'কী' (voicekey_...) তৈরি করার ৭ দিন পরে মেয়াদ শেষ হয়ে যায়।
সমর্থিত ভাষাগুলি
Gemini 3.x TTS মডেল আপনার ইনপুট টেক্সট থেকে অটোমেটিক ভাষা শনাক্ত করে, যার মধ্যে মাল্টি-স্পিকার ডায়ালগে প্রম্পট এক ভাষা থেকে অন্য ভাষায় পরিবর্তন করার সময়ও অন্তর্ভুক্ত।
- Gemini 3.8 Flash TTS (
gemini-3.8-flash-tts): ১৩২টি ভাষা কাজ করে। - Gemini 3.8 Flash‑Lite TTS (
gemini-3.8-flash-lite-tts): ১০৩টি ভাষা কাজ করে।
(ঐচ্ছিক) স্পষ্টভাবে একটি ভাষা কোড সেট করুন
আপনি যদি স্পিচ সিন্থেসিসকে কোনও নির্দিষ্ট লোকেলে সীমাবদ্ধ করতে চান, তাহলে
আপনার SpeechConfig-এ BCP-47 languageCode পাস করতে পারেন:
অডিও আউটপুট ফর্ম্যাট
InlineDataPart-এ ফেরত আসা ডিফল্ট অডিও ফর্ম্যাট নির্ভর করে আপনি
ইউনারি নাকি স্ট্রিমিং অনুরোধ করছেন তার উপর:
| অনুরোধ করার পদ্ধতি | ডিফল্ট রিটার্ন করা MIME-এর ধরন | অডিও ফর্ম্যাটের বিবরণ |
|---|---|---|
|
Unary ( generateContent)
|
audio/wav
|
স্ট্যান্ডার্ড ৪৪-বাইট RIFF হেডার সহ সম্পূর্ণ WAV ফাইল (১৬-বিট লিনিয়ার PCM, ২৪ kHz, মোনো,
লিটল-এন্ডিয়ান)।
স্ট্যান্ডার্ড প্ল্যাটফর্ম অডিও প্লেয়ারের (যেমন,
|
|
স্ট্রিমিং ( generateContentStream)
|
audio/l16
|
২৪ kHz, মোনোতে হেডারলেস র ১৬-বিট সাইনড লিটল-এন্ডিয়ান PCM চাঙ্ক।
প্রতি চাঙ্ক ফাইল হেডার ছাড়াই কম-লেটেন্সি বাফার কিউয়িং ও কনক্যাটেনেশনের জন্য ডিজাইন করা হয়েছে। |
সীমাবদ্ধতা ও প্রয়োজনীয়তা
Gemini 3.x TTS মডেল ব্যবহার করার সময় নিম্নলিখিত সীমাবদ্ধতা ও প্রয়োজনীয়তা মনে রাখবেন:
শুধু টেক্সট ইনপুট, শুধু অডিও আউটপুট: TTS মডেল শুধু টেক্সট ইনপুট (
TextPart) গ্রহণ করে এবংresponseModalities-কেAUDIOহিসেবে সেট করতে হয়।শুধুমাত্র ভারবাটিম সিন্থেসিস: মডেলগুলি প্রদত্ত ট্রান্সক্রিপ্ট ভারবাটিম আবৃত্তি করে এবং কথোপকথনমূলক টেক্সট উত্তর তৈরি করে না।
টোকেন সীমা: অনুরোধ পিছু সর্বাধিক ইনপুট হল ৮,১৯২ টোকেন এবং সর্বাধিক আউটপুট হল ১৬,৩৮৪ টোকেন।
একাধিক স্পিকারের সীমা:
MultiSpeakerVoiceConfig-এর জন্য ২টি স্পিকার প্রয়োজন এবং শুধুমাত্র কোর প্রি-বিল্ট ভয়েস কাজ করে। একাধিক স্পিকারের অনুরোধে প্রতিটিTextPart-এ অবশ্যই একটিSpeechMetadata.speakerথাকতে হবে যা কনফিগার করা স্পিকারগুলির মধ্যে একটির সাথে মেলে।কাজ করে না এমন প্যারামিটার ও পদ্ধতি:
- Firebase AI Logic SDK-তে এখনও ডিফল্ট অডিও আউটপুট ফর্ম্যাট ওভাররাইড করার জন্য
GenerationConfig-এresponseFormatসেট করার সুবিধা নেই। systemInstruction,temperature,topP,topK,candidateCount,presencePenaltyবাfrequencyPenaltyসেট করা কাজ করে না এবং এর ফলে400 INVALID_ARGUMENTসমস্যার কারণে অনুরোধ ব্যর্থ হয়।- TTS মডেলের জন্য
countTokensকল করা কাজ করে না (উত্তরেusageMetadata-এ টোকেন কাউন্ট ফেরত পাঠানো হয়)।
- Firebase AI Logic SDK-তে এখনও ডিফল্ট অডিও আউটপুট ফর্ম্যাট ওভাররাইড করার জন্য
লোকেশন (Agent Platform Gemini API (formerly Vertex AI)): কাস্টম ভয়েসের (
voice_...এবংvoicekey_...) জন্যglobalলোকেশন প্রয়োজন (যা Firebase AI Logic ব্যবহার করার সময় ডিফল্ট লোকেশন)।
gemini-3.1-flash-tts-preview থেকে মাইগ্রেট করুন
gemini-3.8-flash-tts এবং gemini-3.8-flash-lite-tts, দুটিই একই
অনুরোধের স্ট্রাকচার ব্যবহার করে। আপনার ওয়ার্কলোডের জন্য সবচেয়ে ভালো
বিকল্প বেছে নিতে মডেলের তুলনা সারণী পর্যালোচনা করুন এবং
নিম্নলিখিতভাবে আপনার কোড আপডেট করুন:
| এলাকা |
gemini-3.1-flash-tts-preview (লিগ্যাসি)
|
gemini-3.8-flash-tts এবংgemini-3.8-flash-lite-tts
|
|---|---|---|
| ডেলিভারি স্টাইল ও দিকনির্দেশ |
প্রম্পট টেক্সটে এম্বেড করা আছে। যেমন:"Say cheerfully: ...",[Audio Profile],[Director's Notes]
|
প্রতি TextPart-এ SpeechMetadata(style: "...")-এ
পাস করেছেন
|
| একাধিক স্পিকারের ডায়ালগ |
ইনলাইন "Speaker: ..." প্রিফিক্স সহ একটি টেক্সট স্ট্রিং
|
প্রতিটি ডায়ালগ টার্নে একটি TextPart, সাথে
প্রতিটি TextPart-এ
SpeechMetadata(speaker: "...", style: "...")
|
| ইনলাইন ভোকাল ট্যাগ |
থার্ড ব্র্যাকেট। যেমন,[sigh] অথবা [laughs]
|
অ্যাঙ্গেল ব্র্যাকেট। যেমন,<sigh> অথবা
<laugh> অথবা
<short pause>
টেক্সটে সরাসরি |
ডিফল্ট ইউনারি অডিও ফর্ম্যাট
(generateContent)
|
হেডারলেস র ১৬-বিট PCM (audio/pcm, ২৪ kHz, মোনো)
|
সম্পূর্ণ WAV ফাইল (audio/wav, ১৬-বিট PCM,
২৪ kHz, মোনো, ৪৪-বাইট RIFF হেডার সহ)
স্ট্রিমিং
( |
| সিস্টেম সংক্রান্ত নির্দেশাবলী, তাপমাত্রা, top-P, top-K | লুকানো হয়েছে |
400 INVALID_ARGUMENT সমস্যার কারণে বাতিল করা হয়েছে। আপনার মডেল কনফিগারেশন থেকে এইসব
প্যারামিটার সরিয়ে দিন।
|
মাইগ্রেশন চেকলিস্ট
Firebase AI Logic SDK-এর লেটেস্ট ভার্সনে আপগ্রেড করুন এবং আপনার মডেলের নাম আপডেট করে
gemini-3.8-flash-ttsবাgemini-3.8-flash-lite-ttsকরুন।স্টাইল সংক্রান্ত নির্দেশাবলী
SpeechMetadata.style-এ সরান: আপনার প্রম্পট স্ট্রিং থেকে"Say cheerfully:"প্রিফিক্স,[Audio Profile],[Scene]এবং[Director's Notes]ব্লক সরান যাতে মডেল সেগুলি জোরে জোরে না পড়ে। পরিবর্তে,SpeechMetadata.style-এ স্টাইলের সংক্ষিপ্ত বিবরণ দিন।একাধিক স্পিকারের স্ক্রিপ্ট আলাদা আলাদা
TextPartটার্নে ভাগ করুন:"Joe: ... \n Jane: ..."টেক্সট ব্লকTextPartঅবজেক্টের অ্যারে/তালিকা দিয়ে বদল করুন যেখানে প্রতিটি টার্নSpeechMetadata.speakerসেট করে।[...]ট্যাগকে<...>ট্যাগে কনভার্ট করুন: স্কোয়ার-ব্র্যাকেট অডিও ট্যাগ (যেমন[whispers],[sighs],[laughs]) অ্যাঙ্গেল-ব্র্যাকেট ভোকাল ট্যাগ দিয়ে পরিবর্তন করুন (যেমন<whispers>,<sigh>,<laugh>,<short pause>)।ইউনারি অডিও প্লেব্যাক আপডেট করুন: যেহেতু
generateContentএখন হেডারলেস র PCM-এর পরিবর্তে সম্পূর্ণ WAV ফাইল (৪৪-বাইট RIFF হেডার সহ) রিটার্ন করে, তাই ইউনারি উত্তরে ম্যানুয়ালি WAV হেডার প্রিপেন্ড করে এমন যেকোনও কোড সরিয়ে দিন (অথবা Android-এরAudioTrackবা Unity-এরAudioClip-এর মতো লো-লেভেল বাফার API-তে র PCM স্যাম্পেল ফিড করলে ৪৪-বাইট হেডার এড়িয়ে যান)।কাজ করে না এমন কনফিগারেশন প্যারামিটার সরিয়ে দিন: আপনার TTS
GenerativeModelকনফিগারেশন থেকেtemperature,topP,topK,candidateCount,presencePenalty,frequencyPenaltyএবংsystemInstructionসরিয়ে দিন।
তুমি আর কী কী করতে পারো?
-
প্রোডাকশনের জন্য প্রস্তুতি নেওয়া শুরু করুন (
প্রোডাকশন চেকলিস্ট দেখুন):
- অননুমোদিত ক্লায়েন্টদের দ্বারা অপব্যবহার থেকে Gemini API-কে সুরক্ষিত রাখতে সাহায্য করার জন্য Firebase App Check বলবৎ করুন যত তাড়াতাড়ি সম্ভব।
- ব্যবহার করুন Firebase Remote Config অথবা সার্ভার প্রম্পট টেমপ্লেট যাতে আপনার 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) জেনারেট করুন।
- টেক্সট ও মাল্টিমোডাল প্রম্পট, দুটির মাধ্যমেই ছবি জেনারেট ও এডিট করুন।
- Gemini Live API ব্যবহার করে ইনপুট ও আউটপুট স্ট্রিম করুন (অডিও সহ)।
-
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
- পেশাদার পদ্ধতি, স্ট্র্যাটেজি ও উদাহরণ প্রম্পট সহ প্রম্পট ডিজাইন সম্পর্কে বোঝা।
- 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 জানান