Możesz poprosić model Gemini o analizę plików wideo, które podasz w treści (zakodowane w base64) lub za pomocą adresu URL. Gdy używasz Firebase AI Logic, możesz wysłać to żądanie bezpośrednio z aplikacji.
Dzięki tej funkcji możesz m.in.:
- dodawać napisy do filmów i odpowiadać na pytania dotyczące filmów,
- analizować konkretne segmenty filmu za pomocą sygnatur czasowych,
- transkrybować treści wideo, przetwarzając zarówno ścieżkę dźwiękową, jak i klatki wizualne,
- opisywać, segmentować i wyodrębniać informacje z filmów, w tym ze ścieżki dźwiękowej i klatek wizualnych.
Ten przewodnik dotyczy generowania tekstu na podstawie danych wejściowych wideo, ale możesz też generować obrazy na podstawie danych wejściowych wideo.
Przejdź do przykładów kodu Przejdź do kodu obsługującego odpowiedzi przesyłane strumieniowo
|
Więcej opcji pracy z filmami znajdziesz w innych przewodnikach Generowanie danych wyjściowych w uporządkowanej formie Czat wieloetapowy Generowanie obrazów |
Zanim zaczniesz
|
Kliknij swojego dostawcę Gemini API, aby wyświetlić na tej stronie treści i kod specyficzne dla dostawcy. |
Jeśli jeszcze tego nie zrobisz, zapoznaj się z
przewodnikiem dla początkujących, w którym opisujemy, jak
skonfigurować projekt Firebase, połączyć aplikację z Firebase, dodać pakiet SDK, zainicjować usługę backendu dla wybranego dostawcy Gemini API i
utworzyć instancję GenerativeModel.
Do testowania i iteracji promptów zalecamy używanie Google AI Studio.
Modele obsługujące tę funkcję
Ten przewodnik dotyczy generowania tekstu na podstawie danych wejściowych wideo i ma zastosowanie do tych modeli Gemini:
gemini-3.1-pro-previewgemini-3.5-flashgemini-3.1-flash-litegemini-2.5-progemini-2.5-flashgemini-2.5-flash-lite
Generowanie tekstu na podstawie plików wideo (zakodowanych w base64)
|
Zanim wypróbujesz ten przykład, wykonaj czynności opisane w sekcji
Zanim zaczniesz, aby skonfigurować projekt i aplikację. W tej sekcji klikniesz też przycisk dostawcy interfejsu Gemini API, aby na tej stronie wyświetlały się treści specyficzne dla dostawcy.Gemini API |
Możesz poprosić model Gemini o
wygenerowanie tekstu, podając tekst i film – podając mimeType każdego
pliku wejściowego i sam plik. Wymagania i zalecenia dotyczące plików wejściowych znajdziesz w dalszej części tej strony.
Swift
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych składających się z tekstu i plików wideo, możesz wywołać funkcję
generateContent().
import FirebaseAILogic
// Initialize the Gemini Developer API backend service.
let ai = FirebaseAI.firebaseAI(backend: .googleAI())
// Create a `GenerativeModel` instance with a model that supports your use case.
let model = ai.generativeModel(modelName: "gemini-3.5-flash")
// Provide the video as `Data` with the appropriate MIME type.
let video = InlineDataPart(data: try Data(contentsOf: videoURL), mimeType: "video/mp4")
// Provide a text prompt to include with the video
let prompt = "What is in the video?"
// To generate text output, call generateContent with the text and video
let response = try await model.generateContent(video, prompt)
print(response.text ?? "No text in response.")
Kotlin
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych składających się z tekstu i plików wideo, możesz wywołać funkcję
generateContent().
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel("gemini-3.5-flash")
val contentResolver = applicationContext.contentResolver
contentResolver.openInputStream(videoUri).use { stream ->
stream?.let {
val bytes = stream.readBytes()
// Provide a prompt that includes the video specified above and text
val prompt = content {
inlineData(bytes, "video/mp4")
text("What is in the video?")
}
// To generate text output, call generateContent with the prompt
val response = model.generateContent(prompt)
Log.d(TAG, response.text ?: "")
}
}
Java
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych składających się z tekstu i plików wideo, możesz wywołać funkcję
generateContent().
ListenableFuture.
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
GenerativeModel ai = FirebaseAI.getInstance(GenerativeBackend.googleAI())
.generativeModel("gemini-3.5-flash");
// Use the GenerativeModelFutures Java compatibility layer which offers
// support for ListenableFuture and Publisher APIs
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
ContentResolver resolver = getApplicationContext().getContentResolver();
try (InputStream stream = resolver.openInputStream(videoUri)) {
File videoFile = new File(new URI(videoUri.toString()));
int videoSize = (int) videoFile.length();
byte[] videoBytes = new byte[videoSize];
if (stream != null) {
stream.read(videoBytes, 0, videoBytes.length);
stream.close();
// Provide a prompt that includes the video specified above and text
Content prompt = new Content.Builder()
.addInlineData(videoBytes, "video/mp4")
.addText("What is in the video?")
.build();
// To generate text output, call generateContent with the prompt
ListenableFuture<GenerateContentResponse> response = model.generateContent(prompt);
Futures.addCallback(response, new FutureCallback<GenerateContentResponse>() {
@Override
public void onSuccess(GenerateContentResponse result) {
String resultText = result.getText();
System.out.println(resultText);
}
@Override
public void onFailure(Throwable t) {
t.printStackTrace();
}
}, executor);
}
} catch (IOException e) {
e.printStackTrace();
} catch (URISyntaxException e) {
e.printStackTrace();
}
Web
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych składających się z tekstu i plików wideo, możesz wywołać funkcję
generateContent().
import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend } from "firebase/ai";
// TODO(developer) Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
// ...
};
// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);
// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });
// Create a `GenerativeModel` instance with a model that supports your use case.
const model = getGenerativeModel(ai, { model: "gemini-3.5-flash" });
// Converts a File object to a Part object.
async function fileToGenerativePart(file) {
const base64EncodedDataPromise = new Promise((resolve) => {
const reader = new FileReader();
reader.onloadend = () => resolve(reader.result.split(',')[1]);
reader.readAsDataURL(file);
});
return {
inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
};
}
async function run() {
// Provide a text prompt to include with the video
const prompt = "What do you see?";
const fileInputEl = document.querySelector("input[type=file]");
const videoPart = await fileToGenerativePart(fileInputEl.files[0]);
// To generate text output, call generateContent with the text and video
const result = await model.generateContent([prompt, videoPart]);
const response = result.response;
const text = response.text();
console.log(text);
}
run();
Dart
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych składających się z tekstu i plików wideo, możesz wywołać funkcję
generateContent().
import 'package:firebase_ai/firebase_ai.dart';
import 'package:firebase_core/firebase_core.dart';
import 'firebase_options.dart';
// Initialize FirebaseApp
await Firebase.initializeApp(
options: DefaultFirebaseOptions.currentPlatform,
);
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
final model =
FirebaseAI.googleAI().generativeModel(model: 'gemini-3.5-flash');
// Provide a text prompt to include with the video
final prompt = TextPart("What's in the video?");
// Prepare video for input
final video = await File('video0.mp4').readAsBytes();
// Provide the video as `Data` with the appropriate mimetype
final videoPart = InlineDataPart('video/mp4', video);
// To generate text output, call generateContent with the text and images
final response = await model.generateContent([
Content.multi([prompt, ...videoPart])
]);
print(response.text);
Unity
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych składających się z tekstu i plików wideo, możesz wywołać funkcję
GenerateContentAsync().
using Firebase;
using Firebase.AI;
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// Create a `GenerativeModel` instance with a model that supports your use case.
var model = ai.GetGenerativeModel(modelName: "gemini-3.5-flash");
// Provide the video as `data` with the appropriate MIME type.
var video = ModelContent.InlineData("video/mp4",
System.IO.File.ReadAllBytes(System.IO.Path.Combine(
UnityEngine.Application.streamingAssetsPath, "yourVideo.mp4")));
// Provide a text prompt to include with the video
var prompt = ModelContent.Text("What is in the video?");
// To generate text output, call GenerateContentAsync with the text and video
var response = await model.GenerateContentAsync(new [] { video, prompt });
UnityEngine.Debug.Log(response.Text ?? "No text in response.");
Dowiedz się, jak wybrać model odpowiednią dla Twojego przypadku użycia i aplikacji.
Przesyłanie odpowiedzi strumieniowo
|
Zanim wypróbujesz ten przykład, wykonaj czynności opisane w sekcji
Zanim zaczniesz, aby skonfigurować projekt i aplikację. W tej sekcji klikniesz też przycisk dostawcy interfejsu Gemini API, aby na tej stronie wyświetlały się treści specyficzne dla dostawcy.Gemini API |
Możesz przyspieszyć interakcje, nie czekając na cały wynik generowania modelu, i zamiast tego użyć przesyłania strumieniowego do obsługi częściowych wyników.
Aby przesyłać odpowiedź strumieniowo, wywołaj funkcję generateContentStream.
Wymagania i zalecenia dotyczące wejściowych plików wideo
Pamiętaj, że plik podany jako dane w treści jest w trakcie przesyłania kodowany w base64, co zwiększa rozmiar żądania. Jeśli żądanie jest zbyt duże, otrzymasz błąd HTTP 413.
Szczegółowe informacje o tych kwestiach znajdziesz na stronie „Obsługiwane pliki wejściowe i wymagania”:
- Różne opcje podawania pliku w żądaniu (w treści lub za pomocą adresu URL lub URI pliku)
- Wymagania i sprawdzone metody dotyczące plików wideo
Obsługiwane typy MIME wideo
Gemini modele multimodalne obsługują te typy MIME wideo:
- 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 żądań
Maksymalna liczba plików w żądaniu: 10 plików wideo
Co jeszcze możesz zrobić?
- Dowiedz się, jak zliczać tokeny przed wysłaniem do modelu długich promptów.
- Skonfiguruj Cloud Storage for Firebase , aby móc dołączać duże pliki do żądań multimodalnych i mieć bardziej zarządzane rozwiązanie do podawania plików w promptach. Pliki mogą zawierać obrazy, pliki PDF, wideo i audio.
-
Zacznij przygotowywać się do wdrożenia (zapoznaj się z
listą kontrolną wdrożenia):
- Skonfiguruj Firebase App Check jak najszybciej, aby chronić Gemini API przed nadużyciami ze strony nieautoryzowanych klientów.
- Zintegruj Firebase Remote Config , aby aktualizować wartości w aplikacji (np. nazwę modelu) bez publikowania nowej wersji aplikacji .
Wypróbuj inne funkcje
- Twórz rozmowy wieloetapowe (czaty).
- Generuj tekst na podstawie promptów zawierających tylko tekst.
- Generuj dane wyjściowe w uporządkowanej formie (np. JSON) na podstawie promptów tekstowych i multimodalnych.
- Generuj i edytuj obrazy na podstawie promptów tekstowych i multimodalnych.
- Używaj narzędzi (takich jak wywoływanie funkcji i grounding z wyszukiwarką Google) aby połączyć model Gemini z innymi częściami aplikacji oraz systemami i informacjami zewnętrznymi.
Dowiedz się, jak kontrolować generowanie treści
- Poznaj projektowanie promptów, w tym sprawdzone metody, strategie i przykładowe prompty.
- Skonfiguruj parametry modelu takie jak maksymalna liczba tokenów wyjściowych, prawdopodobieństwo powtórzenia tokenów wyjściowych itp.
- Użyj ustawień bezpieczeństwa, aby dostosować prawdopodobieństwo otrzymania odpowiedzi, które mogą być uznane za szkodliwe.
Więcej informacji o obsługiwanych modelach
Dowiedz się więcej o modelach dostępnych w różnych przypadkach użycia oraz o ich limitach i cenach.Prześlij opinię o korzystaniu z Firebase AI Logic