Membuat teks dari perintah multimodal menggunakan Gemini API


Saat memanggil Gemini API dari aplikasi menggunakan SDK Vertex AI in Firebase, Anda dapat meminta model Gemini untuk membuat teks berdasarkan input multimodal. Perintah multimodal dapat mencakup beberapa modalitas (atau jenis input), seperti teks bersama gambar, PDF, video, dan audio.

Untuk menguji dan melakukan iterasi pada perintah multimodal, sebaiknya gunakan Vertex AI Studio.

Sebelum memulai

Jika Anda belum melakukannya, selesaikan panduan memulai untuk Vertex AI in Firebase SDK. Pastikan Anda telah melakukan semua hal berikut:

  1. Siapkan project Firebase baru atau yang sudah ada, termasuk menggunakan paket harga Blaze dan mengaktifkan API yang diperlukan.

  2. Hubungkan aplikasi Anda ke Firebase, termasuk mendaftarkan aplikasi dan menambahkan konfigurasi Firebase ke aplikasi Anda.

  3. Tambahkan SDK dan lakukan inisialisasi layanan Vertex AI dan model generatif di aplikasi Anda.

Setelah menghubungkan aplikasi ke Firebase, menambahkan SDK, dan melakukan inisialisasi layanan Vertex AI dan model generatif, Anda siap memanggil Gemini API.

Membuat teks dari teks dan satu gambar

Pastikan Anda telah menyelesaikan bagian Sebelum memulai dalam panduan ini sebelum mencoba contoh ini.

Anda dapat memanggil Gemini API dengan perintah multimodal yang menyertakan teks dan satu file (seperti gambar, seperti yang ditunjukkan dalam contoh ini). Untuk panggilan ini, Anda harus menggunakan model yang mendukung perintah multimodal (seperti Gemini 1.5 Pro).

File yang didukung mencakup gambar, PDF, video, audio, dan lainnya. Pastikan untuk meninjau persyaratan dan rekomendasi untuk file input.

Pilih apakah Anda ingin melakukan streaming respons (generateContentStream) atau menunggu respons hingga seluruh hasilnya dihasilkan (generateContent).

Streaming

Anda dapat mencapai interaksi yang lebih cepat dengan tidak menunggu seluruh hasil dari pembuatan model, dan sebagai gantinya menggunakan streaming untuk menangani hasil sebagian.

Tanpa streaming

Atau, Anda dapat menunggu seluruh hasil, bukan streaming; hasil hanya ditampilkan setelah model menyelesaikan seluruh proses pembuatan.

Pelajari cara memilih model Gemini dan, jika perlu, lokasi yang sesuai untuk kasus penggunaan dan aplikasi Anda.

Membuat teks dari teks dan banyak gambar

Pastikan Anda telah menyelesaikan bagian Sebelum memulai dalam panduan ini sebelum mencoba contoh ini.

Anda dapat memanggil Gemini API dengan perintah multimodal yang menyertakan teks dan beberapa file (seperti gambar, seperti yang ditunjukkan dalam contoh ini). Untuk panggilan ini, Anda perlu menggunakan model yang mendukung perintah multimodal (seperti Gemini 1.5 Pro).

File yang didukung mencakup gambar, PDF, video, audio, dan lainnya. Pastikan untuk meninjau persyaratan dan rekomendasi untuk file input.

Pilih apakah Anda ingin melakukan streaming respons (generateContentStream) atau menunggu respons hingga seluruh hasilnya dihasilkan (generateContent).

Streaming

Anda dapat mencapai interaksi yang lebih cepat dengan tidak menunggu seluruh hasil dari pembuatan model, dan sebagai gantinya menggunakan streaming untuk menangani hasil sebagian.

Tanpa streaming

Atau, Anda dapat menunggu seluruh hasil, bukan streaming; hasilnya hanya ditampilkan setelah model menyelesaikan seluruh proses pembuatan.

Pelajari cara memilih model Gemini dan, jika perlu, lokasi yang sesuai untuk kasus penggunaan dan aplikasi Anda.

Membuat teks dari teks dan video

Pastikan Anda telah menyelesaikan bagian Sebelum memulai dalam panduan ini sebelum mencoba contoh ini.

Anda dapat memanggil Gemini API dengan perintah multimodal yang menyertakan teks dan satu video (seperti yang ditunjukkan dalam contoh ini). Untuk panggilan ini, Anda perlu menggunakan model yang mendukung perintah multimodal (seperti Gemini 1.5 Pro).

Pastikan untuk meninjau persyaratan dan rekomendasi untuk file input.

Pilih apakah Anda ingin melakukan streaming respons (generateContentStream) atau menunggu respons hingga seluruh hasilnya dihasilkan (generateContent).

Streaming

Anda dapat mencapai interaksi yang lebih cepat dengan tidak menunggu seluruh hasil dari pembuatan model. Sebagai gantinya, gunakan streaming untuk menangani hasil parsial.

Tanpa streaming

Atau, Anda dapat menunggu seluruh hasil, bukan streaming; hasil hanya ditampilkan setelah model menyelesaikan seluruh proses pembuatan.

Pelajari cara memilih model Gemini dan secara opsional lokasi yang sesuai untuk kasus penggunaan dan aplikasi Anda.

Persyaratan dan rekomendasi untuk file input

Untuk mempelajari jenis file yang didukung, cara menentukan jenis MIME, dan cara memastikan bahwa file dan permintaan multimodal Anda memenuhi persyaratan serta mengikuti praktik terbaik, lihat File input dan persyaratan yang didukung untuk Vertex AI Gemini API.

Kamu bisa apa lagi?

  • Pelajari cara menghitung token sebelum mengirim perintah panjang ke model.
  • Siapkan Cloud Storage for Firebase agar Anda dapat menyertakan file berukuran besar dalam permintaan multimodal menggunakan URL Cloud Storage. File dapat mencakup gambar, PDF, video, dan audio.
  • Mulailah memikirkan persiapan produksi, termasuk menyiapkan Firebase App Check untuk melindungi Gemini API dari penyalahgunaan oleh klien yang tidak sah.

Mencoba kemampuan lain Gemini API

Pelajari cara mengontrol pembuatan konten

Anda juga dapat bereksperimen dengan perintah dan konfigurasi model menggunakan Vertex AI Studio.

Pelajari model Gemini lebih lanjut

Pelajari model yang tersedia untuk berbagai kasus penggunaan serta kuota dan harganya.


Berikan masukan tentang pengalaman Anda dengan Vertex AI in Firebase