ไฟล์อินพุตที่รองรับและข้อกำหนด

เมื่อเรียกใช้ Gemini API จากแอปโดยใช้ Firebase AI Logic SDK คุณสามารถแจ้งให้โมเดล Gemini สร้างข้อความตามอินพุตหลายรูปแบบ เช่น รูปภาพ วิดีโอ และเสียง รวมถึงเอกสาร (เช่น PDF)

คุณต้องใช้ประเภทไฟล์ที่รองรับ ระบุประเภท MIME ที่รองรับ และตรวจสอบว่าไฟล์และคำขอหลายรูปแบบเป็นไปตามข้อกำหนดและแนวทางปฏิบัติแนะนำ

หน้านี้มีไว้สำหรับการใช้ GenerativeModel โดยเฉพาะ และอธิบายสิ่งต่อไปนี้

ตัวเลือกสำหรับการระบุไฟล์ในคำขอหลายรูปแบบ

เลือกผู้ให้บริการ Gemini API เพื่อดูเนื้อหาเฉพาะของผู้ให้บริการในหน้านี้

ในคำขอหลายรูปแบบแต่ละรายการ คุณต้องระบุข้อมูลต่อไปนี้เสมอ

ขนาดและจำนวนไฟล์ที่คุณระบุได้ในคำขอจะขึ้นอยู่กับประเภทไฟล์อินพุต วิธีที่คุณระบุไฟล์ และโมเดลที่ใช้ (ดูรายละเอียดในส่วนของประเภทไฟล์อินพุตแต่ละประเภทในหน้านี้)

ตัวเลือกที่ 1: ระบุไฟล์เป็นข้อมูลแบบอินไลน์

สิ่งที่ควรทราบเกี่ยวกับไฟล์ที่ระบุเป็นข้อมูลแบบอินไลน์มีดังนี้

  • คุณจะส่งได้เฉพาะไฟล์ขนาดเล็กเป็นข้อมูลแบบอินไลน์เท่านั้น เนื่องจาก ขีดจำกัดขนาดคำขอทั้งหมดอยู่ที่ 20 MB

  • ระบบจะเข้ารหัสไฟล์เป็น base64 ระหว่างการส่ง (ซึ่งจะเพิ่มขนาดไฟล์)

ดูตัวอย่างวิธีรวมไฟล์เป็นข้อมูลแบบอินไลน์ได้ที่ สร้างข้อความจากอินพุตข้อความและไฟล์ (หลายรูปแบบ) โปรดทราบว่า SDK สำหรับแพลตฟอร์ม Android และ Apple สามารถจัดการรูปภาพแบบอินไลน์ในคำขอได้โดยไม่ต้องระบุประเภท MIME ดูข้อมูลเพิ่มเติม

ตัวเลือกที่ 2: ระบุไฟล์โดยใช้ URL

ประเภท URL ที่ยอมรับเมื่อใช้ Gemini Developer API มีดังนี้


รูปภาพ: ข้อกำหนด แนวทางปฏิบัติแนะนำ และข้อจำกัด

รูปภาพ: ข้อกำหนด

ในส่วนนี้ คุณจะได้เรียนรู้เกี่ยวกับประเภท MIME ที่รองรับและขีดจำกัดต่อคำขอสำหรับรูปภาพ

ประเภท MIME ที่รองรับ

Gemini โมเดลหลายรูปแบบรองรับประเภท MIME ของรูปภาพต่อไปนี้

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

ขีดจำกัดต่อคำขอ

ไม่มีขีดจำกัดที่เฉพาะเจาะจงสำหรับจำนวนพิกเซลในรูปภาพ อย่างไรก็ตาม ระบบจะปรับขนาดรูปภาพที่ใหญ่ขึ้นและเพิ่มระยะขอบเพื่อให้มีความละเอียดสูงสุด 3072 x 3072 โดยรักษาสัดส่วนภาพเดิมไว้

จำนวนไฟล์สูงสุดต่อคำขอ: ไฟล์รูปภาพ 3,000 ไฟล์

รูปภาพ: การแปลงข้อมูลเป็นโทเค็น

วิธีคำนวณโทเค็นสำหรับรูปภาพมีดังนี้

  • หากขนาดทั้ง 2 ด้านของรูปภาพมีขนาดไม่เกิน 384 พิกเซล ระบบจะใช้โทเค็น 258 รายการ
  • หากขนาดด้านใดด้านหนึ่งของรูปภาพมีขนาดมากกว่า 384 พิกเซล ระบบจะครอบตัดรูปภาพออกเป็นไทล์ ขนาดเริ่มต้นของไทล์แต่ละรายการคือขนาดที่เล็กที่สุด มิติ (ความกว้างหรือความสูง) หารด้วย 1.5 ระบบจะปรับไทล์แต่ละรายการตามความจำเป็นเพื่อให้มีขนาดไม่เล็กกว่า 256 พิกเซลและไม่ใหญ่กว่า 768 พิกเซล จากนั้นระบบจะปรับขนาดไทล์แต่ละรายการเป็น 768x768 และใช้โทเค็น 258 รายการ

Google รูปภาพ: แนวทางปฏิบัติแนะนำ

เมื่อใช้รูปภาพ ให้ใช้แนวทางปฏิบัติแนะนำและข้อมูลต่อไปนี้เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

  • หากต้องการตรวจหาข้อความในรูปภาพ ให้ใช้พรอมต์ที่มีรูปภาพเดียวเพื่อให้ได้ ผลลัพธ์ที่ดีกว่าพรอมต์ที่มีรูปภาพหลายรูป
  • หากพรอมต์มีรูปภาพเดียว ให้วางรูปภาพไว้ก่อนพรอมต์ข้อความ ในคำขอ
  • หากพรอมต์มีรูปภาพหลายรูปและคุณต้องการอ้างอิงรูปภาพเหล่านั้นในพรอมต์ในภายหลังหรือต้องการให้โมเดลอ้างอิงรูปภาพเหล่านั้นในคำตอบของโมเดล การใส่ดัชนีให้กับรูปภาพแต่ละรูปก่อนรูปภาพอาจช่วยได้ ใช้ a b c หรือ image 1 image 2 image 3 สำหรับดัชนี ต่อไปนี้เป็นตัวอย่างการใช้รูปภาพที่มีดัชนีใน พรอมต์ 
    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.
  • ใช้รูปภาพที่มีความละเอียดสูงขึ้นเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น
  • ใส่ตัวอย่าง 2-3 ตัวอย่างในพรอมต์
  • หมุนรูปภาพให้อยู่ในแนวที่ถูกต้องก่อนเพิ่มลงใน พรอมต์
  • หลีกเลี่ยงรูปภาพที่เบลอ

Google รูปภาพ: ข้อจำกัด

แม้ว่าโมเดลหลายรูปแบบของ Gemini จะมีประสิทธิภาพในกรณีการใช้งานหลายรูปแบบมากมาย คุณควรทำความเข้าใจข้อจำกัดของโมเดลดังนี้

  • การกลั่นกรองเนื้อหา: โมเดลจะไม่ให้คำตอบ เกี่ยวกับรูปภาพที่ละเมิดนโยบายด้านความปลอดภัยของเรา
  • การให้เหตุผลเชิงพื้นที่: โมเดลไม่แม่นยำในการระบุตำแหน่ง ข้อความหรือออบเจ็กต์ในรูปภาพ โดยอาจแสดงเฉพาะจำนวนออบเจ็กต์โดยประมาณ
  • การใช้งานทางการแพทย์: โมเดลไม่เหมาะสำหรับการตีความ รูปภาพทางการแพทย์ (เช่น เอ็กซ์เรย์และ CT สแกน) หรือให้คำแนะนำทางการแพทย์
  • การจดจำบุคคล: โมเดลไม่ได้มีไว้เพื่อใช้ ระบุบุคคลที่ไม่ใช่คนดังในรูปภาพ
  • ความแม่นยำ: โมเดลอาจเกิดอาการหลอนของ AI หรือทำผิดพลาดเมื่อตีความรูปภาพคุณภาพต่ำ หมุน หรือมีความละเอียดต่ำมาก นอกจากนี้ โมเดลยังอาจแสดงข้อมูลที่ไม่ถูกต้องเมื่อตีความข้อความที่เขียนด้วยลายมือใน เอกสารรูปภาพ


วิดีโอ: ข้อกำหนด แนวทางปฏิบัติแนะนำ และข้อจำกัด

วิดีโอ: ข้อกำหนด

ในส่วนนี้ คุณจะได้เรียนรู้เกี่ยวกับประเภท MIME ที่รองรับและขีดจำกัดต่อคำขอสำหรับวิดีโอ

ประเภท MIME ที่รองรับ

Gemini โมเดลหลายรูปแบบรองรับประเภท MIME ของวิดีโอต่อไปนี้

  • 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

ขีดจำกัดต่อคำขอ

จำนวนไฟล์สูงสุดต่อคำขอ: ไฟล์วิดีโอ 10 ไฟล์

วิดีโอ: การแปลงข้อมูลเป็นโทเค็น

วิธีคำนวณโทเค็นสำหรับวิดีโอมีดังนี้

  • ระบบจะเข้ารหัสแทร็กเสียงด้วยเฟรมวิดีโอ นอกจากนี้ ระบบยังแบ่งแทร็กเสียงออกเป็นส่วนๆ ความยาว 1 วินาที ซึ่งแต่ละส่วนคิดเป็นโทเค็น 32 รายการ ระบบจะสลับโทเค็นเฟรมวิดีโอและโทเค็นเสียงเข้าด้วยกันพร้อม การประทับเวลา การประทับเวลาจะแสดงเป็นโทเค็น 5 รายการ
  • สำหรับวิดีโอที่มีการสุ่มตัวอย่างที่หรือต่ำกว่า 1 เฟรมต่อวินาที (fps), การประทับเวลาสำหรับวิดีโอชั่วโมงแรกจะแสดงเป็นโทเค็น 5 รายการต่อ เฟรมวิดีโอ การประทับเวลาที่เหลือจะแสดงเป็นโทเค็น 7 รายการต่อ เฟรมวิดีโอ
  • สำหรับวิดีโอที่มีการสุ่มตัวอย่างสูงกว่า 1 เฟรมต่อวินาที (fps), การประทับเวลาสำหรับวิดีโอชั่วโมงแรกจะแสดงเป็นโทเค็น 9 รายการต่อ เฟรมวิดีโอ การประทับเวลาที่เหลือจะแสดงเป็นโทเค็น 11 รายการต่อ เฟรมวิดีโอ

วิดีโอ: แนวทางปฏิบัติแนะนำ

เมื่อใช้วิดีโอ ให้ใช้แนวทางปฏิบัติแนะนำและข้อมูลต่อไปนี้เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

  • หากพรอมต์มีวิดีโอเดียว ให้วางวิดีโอไว้ก่อนพรอมต์ข้อความ
  • หากต้องการให้การประทับเวลาเป็นภาษาท้องถิ่นในวิดีโอที่มีเสียง ให้ขอให้โมเดล สร้างการประทับเวลาตามรูปแบบที่อธิบายไว้ใน "รูปแบบการประทับเวลา"

วิดีโอ: ข้อจำกัด

แม้ว่าโมเดลหลายรูปแบบของ Gemini จะมีประสิทธิภาพในกรณีการใช้งานหลายรูปแบบมากมาย คุณควรทำความเข้าใจข้อจำกัดของโมเดลดังนี้

  • การกลั่นกรองเนื้อหา: โมเดลจะไม่ให้คำตอบ เกี่ยวกับวิดีโอที่ละเมิดนโยบายด้านความปลอดภัยของเรา
  • การจดจำเสียงที่ไม่ใช่คำพูด: โมเดลที่รองรับ เสียงอาจจดจำเสียงที่ไม่ใช่คำพูดผิดพลาด


เสียง: ข้อกำหนดและข้อจำกัด

เสียง: ข้อกำหนด

ในส่วนนี้ คุณจะได้เรียนรู้เกี่ยวกับประเภท MIME ที่รองรับและขีดจำกัดต่อคำขอสำหรับเสียง

ประเภท MIME ที่รองรับ

Gemini โมเดลหลายรูปแบบรองรับประเภท MIME ของเสียงต่อไปนี้

  • 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

ขีดจำกัดต่อคำขอ

จำนวนไฟล์สูงสุดต่อคำขอ: ไฟล์เสียง 1 ไฟล์

เสียง: ข้อจำกัด

แม้ว่าโมเดลหลายรูปแบบของ Gemini จะมีประสิทธิภาพในกรณีการใช้งานหลายรูปแบบมากมาย คุณควรทำความเข้าใจข้อจำกัดของโมเดลดังนี้

  • การจดจำเสียงที่ไม่ใช่คำพูด: โมเดลที่รองรับ เสียงอาจจดจำเสียงที่ไม่ใช่คำพูดผิดพลาด
  • การประทับเวลาสำหรับเสียงเท่านั้น: หากต้องการสร้าง การประทับเวลาสำหรับไฟล์เสียงเท่านั้นอย่างถูกต้อง คุณต้องกำหนดค่าพารามิเตอร์ audio_timestamp ใน generation_config


เอกสาร (เช่น PDF): ข้อกำหนด แนวทางปฏิบัติแนะนำ และข้อจำกัด

เอกสาร: ข้อกำหนด

ในส่วนนี้ คุณจะได้เรียนรู้เกี่ยวกับประเภท MIME ที่รองรับและขีดจำกัดต่อคำขอสำหรับเอกสาร (เช่น PDF)

ประเภท MIME ที่รองรับ

โมเดลหลายรูปแบบของ Gemini รองรับประเภท MIME ของเอกสารต่อไปนี้

  • PDF - application/pdf
  • ข้อความ - text/plain

ขีดจำกัดต่อคำขอ

ระบบจะถือว่า PDF เป็นรูปภาพ ดังนั้น PDF 1 หน้าจะถือเป็นรูปภาพ 1 รูป จำนวนหน้าที่อนุญาตในพรอมต์จะจำกัดตามจำนวนรูปภาพที่โมเดลหลายรูปแบบของ Gemini รองรับ

  • จำนวนไฟล์สูงสุดต่อคำขอ: 3,000 ไฟล์
  • จำนวนหน้าสูงสุดต่อไฟล์: 1,000 หน้าต่อไฟล์
  • ขนาดสูงสุดต่อไฟล์: 50 MB ต่อไฟล์

เอกสาร: การแปลงข้อมูลเป็นโทเค็น

การแปลง PDF เป็นโทเค็น

ระบบจะถือว่า PDF เป็นรูปภาพ ดังนั้นระบบจะแปลง PDF แต่ละหน้าเป็นโทเค็นในลักษณะเดียวกับรูปภาพ

นอกจากนี้ ค่าใช้จ่ายสำหรับ PDF จะเป็นไปตาม Gemini ราคาของรูปภาพ เช่น หากคุณรวม PDF 2 หน้าในการเรียก API Gemini คุณจะต้องเสียค่าธรรมเนียมอินพุตสำหรับการประมวลผลรูปภาพ 2 รูป

เอกสาร: แนวทางปฏิบัติแนะนำ

เมื่อใช้ PDF ให้ใช้แนวทางปฏิบัติแนะนำและข้อมูลต่อไปนี้เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

  • หากพรอมต์มี PDF เดียว ให้วาง PDF ไว้ก่อนพรอมต์ข้อความ ในคำขอ
  • หากเอกสารยาว ให้ลองแบ่งเอกสารออกเป็น PDF หลายไฟล์เพื่อประมวลผล
  • ใช้ PDF ที่สร้างขึ้นโดยแสดงข้อความเป็นข้อความแทนการใช้ข้อความใน รูปภาพที่สแกน รูปแบบนี้ช่วยให้มั่นใจได้ว่าข้อความสามารถอ่านได้ด้วยเครื่อง ซึ่งจะช่วยให้โมเดลแก้ไข ค้นหา และจัดการได้ง่ายกว่า PDF รูปภาพที่สแกน แนวทางปฏิบัตินี้ให้ผลลัพธ์ที่ดีที่สุดเมื่อทำงานกับ เอกสารที่มีข้อความจำนวนมาก เช่น สัญญา

เอกสาร: ข้อจำกัด

แม้ว่าโมเดลหลายรูปแบบของ Gemini จะมีประสิทธิภาพในกรณีการใช้งานหลายรูปแบบมากมาย คุณควรทำความเข้าใจข้อจำกัดของโมเดลดังนี้

  • การให้เหตุผลเชิงพื้นที่: โมเดลไม่แม่นยำในการระบุตำแหน่ง ข้อความหรือออบเจ็กต์ใน PDF โดยอาจแสดงเฉพาะจำนวนออบเจ็กต์โดยประมาณ
  • ความแม่นยำ: โมเดลอาจเกิดอาการหลอนของ AI เมื่อตีความข้อความที่เขียนด้วยลายมือในเอกสาร PDF