Sie können ein Gemini-Modell bitten, Audiodateien zu analysieren, die Sie entweder inline (base64-codiert) oder über eine URL bereitstellen. Wenn Sie Firebase AI Logic verwenden, können Sie diese Anfrage direkt über Ihre App stellen.
Mit dieser Funktion können Sie beispielsweise Folgendes tun:
- Audioinhalte beschreiben, zusammenfassen oder Fragen dazu beantworten
- Audioinhalte transkribieren
- Bestimmte Audiosegmente mithilfe von Zeitstempeln analysieren
In diesem Leitfaden geht es um das Generieren von Text aus Audioeingaben.
Zu Codebeispielen springen Zu Code für gestreamte Antworten springen
|
Weitere Anleitungen für die Arbeit mit Audio Strukturierte Ausgabe generieren Multi-Turn-Unterhaltung Text-zu-Sprache (TTS) Bidirektionales Streaming |
Hinweis
|
Klicken Sie auf Ihren Gemini API-Anbieter, um anbieterspezifische Inhalte und Code auf dieser Seite aufzurufen. |
Falls noch nicht geschehen, lesen Sie den Startleitfaden. Dort wird beschrieben, wie Sie Ihr Firebase-Projekt einrichten, Ihre App mit Firebase verbinden, das SDK hinzufügen, den Backend-Dienst für den ausgewählten Gemini API-Anbieter initialisieren und eine GenerativeModel-Instanz erstellen.
Zum Testen und Iterieren Ihrer Prompts empfehlen wir die Verwendung von Google AI Studio.
Modelle, die diese Funktion unterstützen
In diesem Leitfaden geht es um das Generieren von Text aus Audioeingaben. Er gilt für die folgenden Gemini-Modelle:
gemini-4-argongemini-3.8-flashgemini-3.5-flash-lite(und die älteregemini-3.1-flash-lite)
Ältere Gemini 3.x Flash- und Gemini 2.5-Modelle für die allgemeine Verwendung unterstützen diese Funktion, werden aber aufgrund bevorstehender Abschaltdaten und/oder automatischer Weiterleitung zu neueren Modellen nicht mehr empfohlen.
Text aus Audiodateien generieren (Base64-codiert)
|
Bevor Sie dieses Beispiel ausprobieren, müssen Sie den Abschnitt Vorbereitung dieses Leitfadens durchgehen, um Ihr Projekt und Ihre App einzurichten. In diesem Abschnitt klicken Sie auch auf eine Schaltfläche für den ausgewählten Gemini API-Anbieter, damit Sie auf dieser Seite anbieterspezifische Inhalte sehen. |
Sie können ein Gemini-Modell auffordern, Text zu generieren, indem Sie Text und Audio als Prompt verwenden. Geben Sie dazu den mimeType der Eingabedatei und die Datei selbst an. Anforderungen und Empfehlungen für Eingabedateien finden Sie weiter unten auf dieser Seite.
Swift
Sie können generateContent() aufrufen, um Text aus einer multimodalen Eingabe von Text und einer einzelnen Audiodatei zu generieren.
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-3.8-flash")
// Provide the audio as `Data`
guard let audioData = try? Data(contentsOf: audioURL) else {
print("Error loading audio data.")
return // Or handle the error appropriately
}
// Specify the appropriate audio MIME type
let audio = InlineDataPart(data: audioData, mimeType: "audio/mpeg")
// Provide a text prompt to include with the audio
let prompt = "Transcribe what's said in this audio recording."
// To generate text output, call `generateContent` with the audio and text prompt
let response = try await model.generateContent(audio, prompt)
// Print the generated text, handling the case where it might be nil
print(response.text ?? "No text in response.")
Kotlin
Sie können generateContent() aufrufen, um Text aus einer multimodalen Eingabe von Text und einer einzelnen Audiodatei zu generieren.
// 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-3.8-flash")
val contentResolver = applicationContext.contentResolver
val inputStream = contentResolver.openInputStream(audioUri)
if (inputStream != null) { // Check if the audio loaded successfully
inputStream.use { stream ->
val bytes = stream.readBytes()
// Provide a prompt that includes the audio specified above and text
val prompt = content {
inlineData(bytes, "audio/mpeg") // Specify the appropriate audio MIME type
text("Transcribe what's said in this audio recording.")
}
// To generate text output, call `generateContent` with the prompt
val response = model.generateContent(prompt)
// Log the generated text, handling the case where it might be null
Log.d(TAG, response.text?: "")
}
} else {
Log.e(TAG, "Error getting input stream for audio.")
// Handle the error appropriately
}
Java
Sie können generateContent() aufrufen, um Text aus einer multimodalen Eingabe von Text und einer einzelnen Audiodatei zu generieren.
ListenableFuture zurück.
// 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-3.8-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(audioUri)) {
File audioFile = new File(new URI(audioUri.toString()));
int audioSize = (int) audioFile.length();
byte audioBytes = new byte[audioSize];
if (stream != null) {
stream.read(audioBytes, 0, audioBytes.length);
stream.close();
// Provide a prompt that includes the audio specified above and text
Content prompt = new Content.Builder()
.addInlineData(audioBytes, "audio/mpeg") // Specify the appropriate audio MIME type
.addText("Transcribe what's said in this audio recording.")
.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 text = result.getText();
Log.d(TAG, (text == null) ? "" : text);
}
@Override
public void onFailure(Throwable t) {
Log.e(TAG, "Failed to generate a response", t);
}
}, executor);
} else {
Log.e(TAG, "Error getting input stream for file.");
// Handle the error appropriately
}
} catch (IOException e) {
Log.e(TAG, "Failed to read the audio file", e);
} catch (URISyntaxException e) {
Log.e(TAG, "Invalid audio file", e);
}
Web
Sie können generateContent() aufrufen, um Text aus einer multimodalen Eingabe von Text und einer einzelnen Audiodatei zu generieren.
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-3.8-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(','));
reader.readAsDataURL(file);
});
return {
type: "inlineData",
inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
};
}
async function run() {
// Provide a text prompt to include with the audio
const prompt = "Transcribe what's said in this audio recording.";
// Prepare audio for input
const fileInputEl = document.querySelector("input[type=file]");
const audioPart = await fileToGenerativePart(fileInputEl.files);
// To generate text output, call `generateContent` with the text and audio
const result = await model.generateContent([prompt, audioPart]);
// Log the generated text, handling the case where it might be undefined
console.log(result.response.text() ?? "No text in response.");
}
run();
Dart
Sie können generateContent() aufrufen, um Text aus einer multimodalen Eingabe von Text und einer einzelnen Audiodatei zu generieren.
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-3.8-flash');
// Provide a text prompt to include with the audio
final prompt = TextPart("Transcribe what's said in this audio recording.");
// Prepare audio for input
final audio = await File('audio0.mp3').readAsBytes();
// Provide the audio as `Data` with the appropriate audio MIME type
final audioPart = InlineDataPart('audio/mpeg', audio);
// To generate text output, call `generateContent` with the text and audio
final response = await model.generateContent([
Content.multi([prompt,audioPart])
]);
// Print the generated text
print(response.text);
Einheit
Sie können GenerateContentAsync() aufrufen, um Text aus einer multimodalen Eingabe von Text und einer einzelnen Audiodatei zu generieren.
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-3.8-flash");
// Provide a text prompt to include with the audio
var prompt = ModelContent.Text("Transcribe what's said in this audio recording.");
// Provide the audio as `data` with the appropriate audio MIME type
var audio = ModelContent.InlineData("audio/mpeg",
System.IO.File.ReadAllBytes(System.IO.Path.Combine(
UnityEngine.Application.streamingAssetsPath, "audio0.mp3")));
// To generate text output, call `GenerateContentAsync` with the text and audio
var response = await model.GenerateContentAsync(new [] { prompt, audio });
// Print the generated text
UnityEngine.Debug.Log(response.Text ?? "No text in response.");
Hier erfahren Sie, wie Sie ein Modell auswählen, die für Ihren Anwendungsfall und Ihre App geeignet sind.
Antwort streamen
|
Bevor Sie dieses Beispiel ausprobieren, müssen Sie den Abschnitt Vorbereitung dieses Leitfadens durchgehen, um Ihr Projekt und Ihre App einzurichten. In diesem Abschnitt klicken Sie auch auf eine Schaltfläche für den ausgewählten Gemini API-Anbieter, damit Sie auf dieser Seite anbieterspezifische Inhalte sehen. |
Sie können schnellere Interaktionen erzielen, wenn Sie nicht auf das gesamte Ergebnis der Modellgenerierung warten, sondern stattdessen Streaming verwenden, um Teilergebnisse zu verarbeiten.
Rufen Sie generateContentStream auf, um die Antwort zu streamen.
Anforderungen und Empfehlungen für Audioeingabedateien
Beachten Sie, dass eine als Inline-Daten bereitgestellte Datei bei der Übertragung in Base64 codiert wird, was die Größe der Anfrage erhöht. Sie erhalten einen HTTP 413-Fehler, wenn eine Anfrage zu groß ist.
Auf der Seite „Unterstützte Eingabedateien und Anforderungen“ finden Sie detaillierte Informationen zu folgenden Themen:
- Verschiedene Optionen zum Bereitstellen einer Datei in einer Anfrage (entweder inline oder über die URL oder den URI der Datei)
- Anforderungen und Best Practices für Audiodateien
Unterstützte Audio-MIME-Typen
Multimodale Gemini-Modelle unterstützen die folgenden Audio-MIME-Typen:
- 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
Limits pro Anfrage
Maximale Anzahl von Dateien pro Anfrage: 1 Audiodatei
Was kannst du sonst noch alles für mich tun?
- Tokens zählen, bevor Sie lange Prompts an das Modell senden.
- Richten Sie Cloud Storage for Firebase ein, damit Sie große Dateien in Ihre multimodalen Anfragen aufnehmen können und eine besser verwaltete Lösung für die Bereitstellung von Dateien in Prompts haben. Dateien können Bilder, PDFs, Videos und Audioinhalte enthalten.
-
Beginnen Sie mit der Vorbereitung für die Produktion (siehe Produktionscheckliste):
- Erzwingen Sie Firebase App Check so früh wie möglich, um die Gemini API vor Missbrauch durch nicht autorisierte Clients zu schützen.
- Verwenden Sie Firebase Remote Config oder Server-Prompt-Vorlagen, um on demand Änderungen an den Konfigurationen für Ihre KI-Funktion (z. B. Modellname) vorzunehmen, ohne eine neue Version Ihrer App veröffentlichen zu müssen.
Andere Funktionen ausprobieren
- Multi-Turn-Unterhaltungen (Chat) erstellen
- Text aus reinen Text-Prompts generieren.
- Strukturierte Ausgabe (z. B. JSON) aus Text- und multimodalen Prompts generieren.
- Bilder aus Text- und multimodalen Prompts generieren und bearbeiten
- Sprache (sowohl für einzelne als auch für mehrere Sprecher) mit Gemini-Text-zu-Sprache-Modellen (TTS) generieren.
- Streamen Sie die Eingabe und Ausgabe (einschließlich Audio) mit dem Gemini Live API.
-
Verwenden Sie Tools wie Funktionsaufrufe und Fundierung mit
Google Search oderGoogle Maps , um ein Gemini-Modell mit anderen Teilen Ihrer Anwendung sowie mit externen Systemen und Informationen zu verbinden.
Informationen zum Steuern der Inhaltsgenerierung
- Prompt-Design verstehen, einschließlich Best Practices, Strategien und Beispiel-Prompts.
- Modellparameter konfigurieren, z. B. maximale Ausgabetokens, die Wahrscheinlichkeit wiederholter Ausgabetokens usw.
- Verwenden Sie Sicherheitseinstellungen, um die Wahrscheinlichkeit anzupassen, dass Sie Antworten erhalten, die als schädlich eingestuft werden könnten.
Weitere Informationen zu den unterstützten Modellen
Informieren Sie sich über die Modelle, die für verschiedene Anwendungsfälle verfügbar sind, sowie über die zugehörigen Kontingente und Preise.Feedback zu Ihren Erfahrungen mit Firebase AI Logic geben