אתם יכולים לבקש ממודל Gemini לנתח קובצי אודיו שאתם מספקים, או בתוך השורה (בקידוד base64) או באמצעות כתובת URL. כשמשתמשים ב-Firebase AI Logic, אפשר לשלוח את הבקשה הזו ישירות מהאפליקציה.
היכולת הזו מאפשרת לכם:
- לתאר, לסכם או לענות על שאלות לגבי תוכן אודיו
- תמלול תוכן אודיו
- לנתח קטעי אודיו ספציפיים באמצעות חותמות זמן
המדריך הזה עוסק ביצירת טקסט מקלט אודיו.
דילוג לדוגמאות קוד דילוג לקוד של תשובות בסטרימינג
|
במדריכים אחרים מפורטות אפשרויות נוספות לעבודה עם אודיו יצירת פלט מובנה שיחה עם זיכרון המרת טקסט לדיבור (TTS) סטרימינג דו-כיווני |
לפני שמתחילים
|
כדי לראות תוכן וקוד שספציפיים לספק, לוחצים על הספק Gemini API בדף הזה. |
אם עדיין לא עשיתם את זה, אתם צריכים לפעול לפי המדריך לתחילת הדרך, שבו מוסבר איך להגדיר את הפרויקט ב-Firebase, לקשר את האפליקציה ל-Firebase, להוסיף את ה-SDK, להפעיל את שירות הקצה העורפי של ספק ה-Gemini API שבחרתם וליצור מכונה של GenerativeModel.
כדי לבדוק את ההנחיות ולשפר אותן, מומלץ להשתמש ב-Google AI Studio.
מודלים שתומכים ביכולת הזו
המדריך הזה עוסק ביצירת טקסט דינמי מבוסס-AI מקלט אודיו, והוא רלוונטי למודלים הבאים של Gemini:
gemini-4-argongemini-3.8-flash-
gemini-3.5-flash-lite(והגרסה הישנה יותרgemini-3.1-flash-lite)
מודלים ישנים יותר של Gemini 3.x Flash ו-Gemini 2.5 לשימוש כללי תומכים ביכולת הזו, אבל לא מומלץ להשתמש בהם יותר כי הם יושבתו בקרוב או כי הם מנותבים אוטומטית למודלים חדשים יותר.
יצירת טקסט מקובצי אודיו (בקידוד Base64)
|
לפני שמנסים את הדוגמה הזו, צריך להשלים את השלבים בקטע לפני שמתחילים במדריך הזה כדי להגדיר את הפרויקט והאפליקציה. בקטע הזה צריך גם ללחוץ על כפתור של ספק ה-Gemini API שבחרתם כדי לראות בדף הזה תוכן שספציפי לספק. |
אתם יכולים לבקש ממודל Gemini ליצור טקסט באמצעות הנחיה עם טקסט ואודיו – על ידי ציון ה-mimeType של קובץ הקלט והקובץ עצמו. בהמשך הדף מפורטות הדרישות וההמלצות לגבי קובצי קלט.
Swift
אתם יכולים להפעיל את generateContent() כדי ליצור טקסט מקלט מולטי-מודאלי של טקסט וקובץ אודיו אחד.
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
אתם יכולים להפעיל את generateContent() כדי ליצור טקסט מקלט מולטי-מודאלי של טקסט וקובץ אודיו אחד.
// 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
אתם יכולים להפעיל את generateContent() כדי ליצור טקסט מקלט מולטי-מודאלי של טקסט וקובץ אודיו אחד.
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-3.8-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
אתם יכולים להפעיל את generateContent() כדי ליצור טקסט מקלט מולטי-מודאלי של טקסט וקובץ אודיו אחד.
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
אתם יכולים להפעיל את generateContent() כדי ליצור טקסט דינמי מבוסס-AI מקלט מולטי-מודאלי של טקסט וקובץ אודיו אחד.
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);
Unity
אתם יכולים להפעיל את GenerateContentAsync() כדי ליצור טקסט מקלט מולטי-מודאלי של טקסט וקובץ אודיו אחד.
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.");
איך בוחרים מודל שמתאימים לתרחיש לדוגמה ולאפליקציה.
הצגת התשובה באופן שוטף
|
לפני שמנסים את הדוגמה הזו, צריך להשלים את השלבים בקטע לפני שמתחילים במדריך הזה כדי להגדיר את הפרויקט והאפליקציה. בקטע הזה צריך גם ללחוץ על כפתור של ספק ה-Gemini API שבחרתם כדי לראות בדף הזה תוכן שספציפי לספק. |
כדי לקבל אינטראקציות מהירות יותר, אתם יכולים לא לחכות לתוצאה המלאה מהמודל, אלא להשתמש בסטרימינג כדי לטפל בתוצאות חלקיות.
כדי להעביר את התשובה בסטרימינג, צריך להפעיל את generateContentStream.
דרישות והמלצות לקובצי אודיו של קלט
שימו לב שקובץ שסופק כנתונים מוטבעים מקודד ל-base64 בזמן ההעברה, מה שמגדיל את גודל הבקשה. אם הבקשה גדולה מדי, תתקבל שגיאת HTTP 413.
בדף "דרישות וקבצים נתמכים לקלט" מפורט מידע על הנושאים הבאים:
- אפשרויות שונות להוספת קובץ לבקשה (באופן מוטבע או באמצעות כתובת ה-URL או ה-URI של הקובץ)
- דרישות ושיטות מומלצות לקובצי אודיו
סוגי MIME נתמכים של אודיו
המודלים המולטי-מודאליים של Gemini תומכים בסוגי ה-MIME הבאים של אודיו:
- 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
מגבלות לכל בקשה
מספר הקבצים המקסימלי לבקשה: קובץ אודיו אחד
מה עוד אפשר לעשות?
- איך סופרים טוקנים לפני ששולחים הנחיות ארוכות למודל.
- להגדיר את Cloud Storage for Firebase כדי לכלול קבצים גדולים בבקשות המולטי-מודאליות, ולקבל פתרון מנוהל יותר להוספת קבצים בהנחיות. הקבצים יכולים לכלול תמונות, קובצי PDF, סרטונים וקטעי אודיו.
-
מתחילים לחשוב על הכנה לייצור (ראו את רשימת המשימות לייצור):
- אכפו את Firebase App Check מוקדם ככל האפשר כדי להגן על Gemini API מפני ניצול לרעה על ידי לקוחות לא מורשים.
- השתמשו בFirebase Remote Config או בתבניות לפרומפטים בשרת כדי שתוכלו לשנות לפי דרישה את ההגדרות של תכונת ה-AI (כמו שם המודל) בלי להוציא גרסה חדשה של האפליקציה.
לנסות יכולות אחרות
- לפתח שיחות עם זיכרון (צ'אט).
- ליצור טקסט דינמי מבוסס-AI מהנחיות טקסט בלבד.
- ליצור פלט מובנה (כמו JSON) מפרומפטים של טקסט ומפרומפטים מולטי-מודאליים.
- ליצור ולערוך תמונות באמצעות פרומפטים טקסטואליים ומולטי-מודאליים.
- ליצור דיבור (של דובר אחד או של כמה דוברים) באמצעות מודלים של המרת טקסט לדיבור (TTS) ב-Gemini.
- העברת קלט ופלט בסטרימינג (כולל אודיו) באמצעות Gemini Live API.
-
להשתמש בכלים (כמו קריאה להפעלת פונקציות וביסוס בעזרת
Google Search אוGoogle Maps ) כדי לקשר מודל Gemini לחלקים אחרים באפליקציה ולמערכות ולמידע חיצוניים.
איך לשלוט ביצירת התוכן
- הסבר על עיצוב הנחיות, כולל שיטות מומלצות, אסטרטגיות ודוגמאות להנחיות.
- להגדיר פרמטרים של מודלים, כמו המספר המקסימלי של טוקנים בפלט, ההסתברות של טוקנים חוזרים בפלט וכו'.
- להשתמש בהגדרות הבטיחות כדי לשנות את הסבירות לקבלת תשובות שעלולות להיחשב כמזיקות.
מידע נוסף על המודלים הנתמכים
מידע ולמידה על המודלים שזמינים לתרחישי שימוש שונים, המכסות והתמחור שלהם.שליחת משוב על חוויית השימוש ב-Firebase AI Logic