Obsługiwane pliki wejściowe i wymagania

Podczas wywoływania Gemini API z aplikacji za pomocą pakietu SDK Firebase AI Logic możesz poprosić model Gemini o wygenerowanie tekstu na podstawie danych wejściowych multimodalnych, takich jak obrazy, filmy, dźwięk i dokumenty (np. pliki PDF).

Musisz używać obsługiwanych typów plików, określać obsługiwany typ MIME oraz dbać o to, aby pliki i żądania multimodalne spełniały wymagania i były zgodne z najlepszymi praktykami.

Ta strona dotyczy korzystania z GenerativeModel i zawiera informacje na te tematy:

Opcje przesyłania plików w przypadku żądań multimodalnych

Wybierz dostawcę interfejsu Gemini API, aby wyświetlić na tej stronie treści dotyczące tego dostawcy

W każdym żądaniu multimodalnym musisz zawsze podać te informacje:

Rozmiar i liczba plików, które możesz podać w prośbie, zależą od typu pliku wejściowego, sposobu jego przesłania i użytego modelu (szczegółowe informacje znajdziesz w sekcji dotyczącej każdego typu pliku wejściowego na tej stronie).

Opcja 1. Podaj plik jako dane wbudowane.

Ważne informacje dotyczące plików podanych jako dane wbudowane:

  • Jako dane wbudowane można wysyłać tylko małe pliki, ponieważ łączny rozmiar żądania jest ograniczony do 20 MB.

  • Plik jest kodowany w formacie Base64 podczas przesyłania (co zwiększa jego rozmiar).

Przykład pokazujący, jak dołączyć plik jako dane wbudowane, znajdziesz w artykule Generowanie tekstu na podstawie danych wejściowych w postaci tekstu i pliku (wielomodowych). Pamiętaj, że pakiety SDK na platformy Android i Apple mogą obsługiwać obrazy w tekście w żądaniach bez konieczności określania typu MIME. Więcej informacji

Opcja 2. Podaj plik za pomocą adresu URL

Oto akceptowane typy adresów URL, gdy używasz parametru Gemini Developer API:

  • Adres URL filmu na YouTube: film na YouTube musi być publiczny lub niepubliczny.

    W każdej prośbie możesz podać jeden adres URL filmu na YouTube.


Zdjęcia: wymagania, sprawdzone metody i ograniczenia

Obrazy: wymagania

W tej sekcji znajdziesz informacje o obsługiwanych typach MIME i limitach żądań dotyczących obrazów.

Obsługiwane typy MIME

Gemini Modele multimodalne obsługują te typy MIME obrazów:

  • PNG – image/png
  • JPEG – image/jpeg
  • WebP – image/webp

Limity na żądanie

Nie ma konkretnego limitu liczby pikseli na obrazie. Większe obrazy są jednak skalowane w dół i uzupełniane, aby dopasować je do maksymalnej rozdzielczości 3072 x 3072 pikseli przy zachowaniu pierwotnego formatu obrazu.

Maksymalna liczba plików w żądaniu: 3000 plików obrazów.

Obrazy: tokenizacja

Oto jak obliczane są tokeny w przypadku obrazów:

  • Jeśli oba wymiary obrazu są mniejsze lub równe 384 pikselom, używane jest 258 tokenów.
  • Jeśli jeden z wymiarów obrazu przekracza 384 piksele, obraz jest dzielony na kafelki. Domyślny rozmiar każdego kafelka to mniejszy wymiar (szerokość lub wysokość) podzielony przez 1,5. W razie potrzeby każdy kafelek jest dostosowywany tak, aby nie był mniejszy niż 256 pikseli ani większy niż 768 pikseli. Każdy fragment jest następnie zmieniany na rozmiar 768 x 768 pikseli i wykorzystuje 258 tokenów.

Grafika: sprawdzone metody

Aby uzyskać jak najlepsze wyniki, podczas korzystania z obrazów stosuj te sprawdzone metody i informacje:

  • Jeśli chcesz wykryć tekst na obrazie, używaj promptów z jednym obrazem, aby uzyskać lepsze wyniki niż w przypadku promptów z wieloma obrazami.
  • Jeśli prompt zawiera pojedynczy obraz, umieść go przed promptem tekstowym w żądaniu.
  • Jeśli prompt zawiera wiele obrazów i chcesz się do nich odwołać w dalszej części promptu lub chcesz, aby model odwoływał się do nich w odpowiedzi, warto przypisać do każdego obrazu indeks przed obrazem. Użyj a b c lub image 1 image 2 image 3 jako indeksu. Oto przykład użycia obrazów indeksowanych w prompcie: 
    image 1 
image 2 
image 3 

Write a blogpost about my day using image 1 and image 2. Then, give me ideas
for tomorrow based on image 3.
  • Używaj zdjęć o wyższej rozdzielczości, ponieważ dają lepsze wyniki.
  • W prompcie podaj kilka przykładów.
  • Przed dodaniem obrazów do promptu obróć je do właściwej orientacji.
  • Unikaj rozmytych zdjęć.

Obrazy: ograniczenia

Gemini Modele multimodalne są przydatne w wielu przypadkach użycia, ale warto poznać ich ograniczenia:

  • Moderowanie treści: modele odmawiają udzielania odpowiedzi na pytania dotyczące obrazów, które naruszają nasze zasady bezpieczeństwa.
  • Rozumowanie przestrzenne: modele nie są precyzyjne w lokalizowaniu tekstu ani obiektów na obrazach. Mogą zwracać tylko przybliżone liczby obiektów.
  • Zastosowania medyczne: modele nie nadają się do interpretowania obrazów medycznych (np. zdjęć rentgenowskich i tomografii komputerowej) ani do udzielania porad medycznych.
  • Rozpoznawanie osób: modele nie są przeznaczone do identyfikowania osób, które nie są celebrytami, na zdjęciach.
  • Dokładność: modele mogą halucynować lub popełniać błędy podczas interpretowania obrazów niskiej jakości, obróconych lub o bardzo niskiej rozdzielczości. Modele mogą też halucynować podczas interpretowania odręcznego tekstu w dokumentach z obrazami.


Film: wymagania, sprawdzone metody i ograniczenia

Film: wymagania

W tej sekcji znajdziesz informacje o obsługiwanych typach MIME i limitach dotyczących żądań wideo.

Obsługiwane typy MIME

Gemini Modele multimodalne obsługują te typy MIME filmów:

  • FLV - video/x-flv
  • MOV - video/quicktime
  • MPEG - video/mpeg
  • MPEGPS - video/mpegps
  • MPG - video/mpg
  • MP4 – video/mp4
  • WEBM – video/webm
  • WMV – video/wmv
  • 3GPP – video/3gpp

Limity na żądanie

Maksymalna liczba plików w żądaniu: 10 plików wideo

Film: tokenizacja

Oto jak obliczane są tokeny w przypadku filmów:

  • Ścieżka audio jest zakodowana za pomocą klatek wideo. Ścieżka audio jest też dzielona na 1-sekundowe fragmenty, z których każdy zawiera 32 tokeny. Klatki wideo i tokeny audio są przeplatane ze znacznikami czasowymi. Sygnatury czasowe są reprezentowane przez 5 tokenów.
  • W przypadku filmów, w których próbkowanie odbywa się z częstotliwością 1 klatka na sekundę lub mniejszą, sygnatury czasowe dla pierwszej godziny filmu są reprezentowane jako 5 tokenów na klatkę filmu. Pozostałe sygnatury czasowe są reprezentowane jako 7 tokenów na klatkę filmu.
  • W przypadku filmów, które są próbkowane z częstotliwością powyżej 1 klatki na sekundę (fps), sygnatury czasowe pierwszej godziny filmu są reprezentowane jako 9 tokenów na klatkę filmu. Pozostałe sygnatury czasowe są reprezentowane jako 11 tokenów na klatkę filmu.

Film: sprawdzone metody

Aby uzyskać najlepsze wyniki, podczas korzystania z filmu stosuj te sprawdzone metody i informacje:

  • Jeśli prompt zawiera jeden film, umieść go przed promptem tekstowym.
  • Jeśli potrzebujesz lokalizacji sygnatur czasowych w filmie z dźwiękiem, poproś model o wygenerowanie sygnatur czasowych w formacie opisanym w sekcji „Format sygnatury czasowej”.

Film: ograniczenia

Gemini Modele multimodalne są przydatne w wielu przypadkach użycia, ale warto poznać ich ograniczenia:

  • Moderowanie treści: modele odmawiają udzielania odpowiedzi na pytania dotyczące filmów, które naruszają nasze zasady bezpieczeństwa.
  • Rozpoznawanie dźwięków innych niż mowa: modele obsługujące dźwięk mogą popełniać błędy w rozpoznawaniu dźwięków innych niż mowa.


Audio: wymagania i ograniczenia

Dźwięk: wymagania

W tej sekcji znajdziesz informacje o obsługiwanych typach MIME i limitach dotyczących żądań audio.

Obsługiwane typy MIME

Gemini modele multimodalne obsługują te typy MIME audio:

  • AAC - audio/aac
  • FLAC – audio/flac
  • MP3 – audio/mp3
  • MPA - audio/m4a
  • MPEG - audio/mpeg
  • MPGA - audio/mpga
  • MP4 – audio/mp4
  • OPUS – audio/opus
  • PCM - audio/pcm
  • WAV – audio/wav
  • WEBM – audio/webm

Limity na żądanie

Maksymalna liczba plików w żądaniu: 1 plik audio

Dźwięk: ograniczenia

Gemini Modele multimodalne są przydatne w wielu przypadkach użycia, ale warto poznać ich ograniczenia:

  • Rozpoznawanie dźwięków innych niż mowa: modele obsługujące dźwięk mogą popełniać błędy w rozpoznawaniu dźwięków innych niż mowa.
  • Sygnatury czasowe tylko audio: aby dokładnie generować sygnatury czasowe dla plików tylko audio, musisz skonfigurować parametr audio_timestamp w generation_config.


Dokumenty (np. pliki PDF): wymagania, sprawdzone metody i ograniczenia

Dokumenty: wymagania

W tej sekcji dowiesz się więcej o obsługiwanych typach MIME i limitach dotyczących dokumentów (np. plików PDF) w przypadku każdego żądania.

Obsługiwane typy MIME

Gemini Modele multimodalne obsługują te typy MIME dokumentów:

  • PDF – application/pdf
  • Tekst – text/plain

Limity na żądanie

Pliki PDF są traktowane jako obrazy, więc jedna strona pliku PDF jest traktowana jako 1 obraz. Liczba stron dozwolonych w prompcie jest ograniczona do liczby obrazów, które mogą obsługiwać Geminimodele multimodalne.

  • Maksymalna liczba plików w żądaniu: 3000.
  • Maksymalna liczba stron w pliku: 1000 stron w pliku.
  • Maksymalny rozmiar pliku: 50 MB

Dokumenty: tokenizacja

Tokenizacja plików PDF

Pliki PDF są traktowane jako obrazy, więc każda strona pliku PDF jest tokenizowana w taki sam sposób jak obraz.

Koszt plików PDF jest zgodny z Geminicennikiem obrazów. Jeśli na przykład w wywołaniu interfejsu API Gemini umieścisz dwustronicowy plik PDF, poniesiesz opłatę za przetwarzanie 2 obrazów.

Dokumenty: sprawdzone metody

Aby uzyskać najlepsze wyniki, podczas korzystania z plików PDF stosuj te sprawdzone metody i informacje:

  • Jeśli prompt zawiera jeden plik PDF, umieść go przed promptem tekstowym w swojej prośbie.
  • Jeśli masz długi dokument, możesz podzielić go na kilka plików PDF, aby go przetworzyć.
  • Używaj plików PDF utworzonych z tekstem renderowanym jako tekst, zamiast używać tekstu w zeskanowanych obrazach. Ten format sprawia, że tekst jest w formacie czytelnym dla komputerów, dzięki czemu model może go łatwiej edytować, wyszukiwać i przetwarzać w porównaniu ze zeskanowanymi plikami PDF z obrazami. Ta metoda daje optymalne wyniki w przypadku dokumentów zawierających dużo tekstu, takich jak umowy.

Dokumenty: ograniczenia

Gemini Modele multimodalne są przydatne w wielu przypadkach użycia, ale warto poznać ich ograniczenia:

  • Rozumowanie przestrzenne: modele nie są precyzyjne w lokalizowaniu tekstu ani obiektów w plikach PDF. Mogą zwracać tylko przybliżone liczby obiektów.
  • Dokładność: modele mogą generować halucynacje podczas interpretowania odręcznego tekstu w dokumentach PDF.