Live API-এর সীমা ও স্পেসিফিকেশন


এই পৃষ্ঠায় Live API ও এর মডেল ব্যবহারের বিভিন্ন সীমা ও স্পেসিফিকেশন বর্ণনা করা হয়েছে।

সাধারণ স্পেসিফিকেশন ও সীমা

  • কাজ করে এমন ইনপুট ও আউটপুট: (বিস্তারিত জানতে, নিচে মিডিয়া ফর্ম্যাট দেখুন)

    • ইনপুট: টেক্সট, ছবি (পিডিএফ নয়), অডিও, ভিডিও
    • আউটপুট: টেক্সট (ট্রান্সক্রিপশন) ও অডিও (স্ট্রিমিং)

  • কাজ করে এমন টুল: ফাংশন কলিং, Google Search-এর সাথে গ্রাউন্ডিং, Google Maps-এর সাথে গ্রাউন্ডিং

  • নলেজ কাট-অফ তারিখ: জানুয়ারি ২০২৫

Live API স্ট্রাকচার্ড আউটপুট (যেমন JSON) তৈরি করা বা Count Tokens API-কে সাপোর্ট করে না।

সেশন সম্পর্কিত সীমা

Live API-এর জন্য, সেশন বলতে এমন একটি স্থায়ী কানেকশনকে বোঝায় যেখানে ইনপুট ও আউটপুট একটি কানেকশনের মাধ্যমে ক্রমাগত স্ট্রিম করা হয়।

সেশন নিম্নলিখিত সীমাগুলির মধ্যে যেকোনও একটি অতিক্রম করলে, কানেকশন বন্ধ হয়ে যায়। তবে মনে রাখবেন, Live API এইসব সেশন-সম্পর্কিত সীমা ম্যানেজ করার জন্য কিছু বিকল্প প্রদান করে (নিচে দেখুন)।

  • সেশন কন্টেক্সট উইন্ডো ১২৮ হাজার টোকেনের মধ্যে সীমাবদ্ধ।

    এই কন্টেক্সট উইন্ডো সংক্রান্ত সীমাবদ্ধতার কারণে, ইনপুট মোডালিটি অনুযায়ী সেশনের আনুমানিক সর্বাধিক দৈর্ঘ্য এখানে দেওয়া হল:

    • শুধুমাত্র অডিও ইনপুট সেশন ১৫ মিনিট পর্যন্ত সীমাবদ্ধ।
    • ভিডিও + অডিও ইনপুট ২ মিনিট পর্যন্ত সীমাবদ্ধ।

  • কানেকশনের সময়সীমা প্রায় ১০ মিনিট পর্যন্ত সীমিত থাকে।

    কানেকশন শেষ হওয়ার প্রায় বিজ্ঞপ্তি ৬০ সেকেন্ড আগে আপনি পাবেন।

সেশন সংক্রান্ত সীমা ম্যানেজ করার জন্য এখানে কিছু বিকল্প দেওয়া হল:

সেশন ম্যানেজ করা সম্পর্কে আরও জানুন।

রেট লিমিট

Live API-এ Firebase প্রোজেক্ট পিছু একযোগে সেশন এবং টোকেন পার মিনিট (TPM) দু'টির জন্যই রেট সীমা আছে।

  • Gemini Developer API:

  • Agent Platform Gemini API (formerly Vertex AI):

    • প্রতি Firebase প্রোজেক্টে ১,০০০টি কনকারেন্ট সেশন
    • প্রতি মিনিটে ৪ মিলিয়ন টোকেন

মিডিয়া ফর্ম্যাট

Live API-এ নিম্নলিখিত মিডিয়া কাজ করে:

  • ইনপুট: ছবি, অডিও, ভিডিও
  • আউটপুট: অডিও

ছবির ফর্ম্যাট

Live API-এ ছবি ইনপুট করার জন্য নিম্নলিখিত বিষয়গুলি কাজ করে:

  • প্রম্পট পিছু সর্বাধিক ছবি: ৩,০০০

  • প্রতিটি ফাইলের সর্বাধিক সাইজ (ইনলাইন ডেটা): ৭ এমবি

  • কাজ করে এমন MIME-এর প্রকার: image/png, image/jpeg, image/webp, image/heic, image/heif

অডিও ফর্ম্যাট

Live API-এ নিম্নলিখিত অডিও ফর্ম্যাট কাজ করে:

  • ইনপুট অডিও ফর্ম্যাট: ১৬kHz লিটল-এন্ডিয়ানে র 16 বিট PCM অডিও

  • আউটপুট অডিও ফর্ম্যাট: ২৪kHz লিটল-এন্ডিয়ানে র 16 বিট PCM অডিও

  • কাজ করে এমন MIME ধরন: audio/x-aac, audio/flac, audio/mp3, audio/m4a, audio/mpeg, audio/mpga, audio/mp4, audio/ogg, audio/pcm, audio/wav, audio/webm

ইনপুট অডিওর স্যাম্পেল রেট জানাতে, প্রতিটি অডিও-যুক্ত Blob-এর MIME ধরনকে audio/pcm;rate=16000-এর মতো কোনও ভ্যালুতে সেট করুন।

ভিডিও ফর্ম্যাট

Live API ডিসক্রিট ইমেজ ফ্রেমের একটি সিকোয়েন্স আশা করে এবং এটি ১ ফ্রেম পার সেকেন্ড (FPS)-এ ভিডিও ফ্রেম ইনপুট সাপোর্ট করে।

  • সাজেস্ট করা ইনপুট: ১ FPS-এ নেটিভ ৭৬৮x৭৬৮ রেজোলিউশন।

  • কাজ করে এমন MIME ধরন: video/x-flv, video/quicktime, video/mpeg, video/mpegs, video/mpg, video/mp4, video/webm, video/wmv, video/3gpp

মনে রাখবেন, এই স্পেসিফিকেশন Live API-কে এমন ব্যবহারের ক্ষেত্রে অনুপযুক্ত করে তোলে যেখানে দ্রুত পরিবর্তনশীল ভিডিও বিশ্লেষণ করার প্রয়োজন হয়, যেমন হাই-স্পিড স্পোর্টসে প্লে-বাই-প্লে।

উত্তর দেওয়ার ভয়েস

Live API-এ ৩০টি আলাদা সিন্থেসাইজ করা HD ভয়েস কাজ করে, প্রত্যেকটির আলাদা আলাদা বৈশিষ্ট্য আছে। নিচের বিভাগটি বড় করে আপনি উত্তর দেওয়ার ভয়েস বিকল্পের তালিকা দেখতে এবং প্রতিটি ভয়েসের ডেমো শুনতে পারবেন।

আপনি কোনও উত্তর দেওয়ার ভয়েস নির্দিষ্ট না করলে, ডিফল্ট হিসেবে Puck সেট করা থাকে।

কীভাবে উত্তরের ভয়েস নির্দিষ্ট করতে হয় তা জানুন।

ভাষা

Live API নিম্নলিখিত ভাষাগুলিতে কাজ করে। কীভাবে উত্তরের ভাষা প্রভাবিত করবেন তা জানুন।

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