Puoi chiedere a un modello Gemini di analizzare i file audio che fornisci inline (codificati in base64) o tramite URL. Quando utilizzi Firebase AI Logic, puoi effettuare questa richiesta direttamente dalla tua app.
Con questa funzionalità, puoi eseguire operazioni come:
- Descrivere, riassumere o rispondere a domande sui contenuti audio
- Trascrivi i contenuti audio
- Analizza segmenti specifici di audio utilizzando i timestamp
Questa guida spiega come generare testo da un input audio.
Vai agli esempi di codice Vai al codice per le risposte in streaming
|
Consulta altre guide per ulteriori opzioni per l'utilizzo dell'audio Genera output strutturato Chat a più turni Sintesi vocale (TTS) Streaming bidirezionale |
Prima di iniziare
|
Fai clic sul tuo provider Gemini API per visualizzare i contenuti e il codice specifici del provider in questa pagina. |
Se non l'hai già fatto, completa la guida introduttiva, che descrive come configurare il progetto Firebase, connettere l'app a Firebase, aggiungere l'SDK, inizializzare il servizio di backend per il provider Gemini API scelto e creare un'istanza GenerativeModel.
Per testare e perfezionare i prompt, ti consigliamo di utilizzare Google AI Studio.
Modelli che supportano questa funzionalità
Questa guida riguarda la generazione di testo da input audio ed è applicabile ai seguenti modelli Gemini:
gemini-4-argongemini-3.8-flashgemini-3.5-flash-lite(e il precedentegemini-3.1-flash-lite)
I modelli Gemini 3.x Flash e Gemini 2.5 di uso generale meno recenti supportano questa funzionalità, ma non è più consigliato utilizzarli a causa delle date di arresto imminenti e/o del routing automatico ai modelli più recenti.
Genera testo da file audio (codificati in base64)
|
Prima di provare questo esempio, completa la sezione Prima di iniziare di questa guida per configurare il progetto e l'app. In questa sezione, farai anche clic su un pulsante per il provider Gemini API scelto, in modo da visualizzare i contenuti specifici del provider in questa pagina. |
Puoi chiedere a un modello Gemini di generare testo utilizzando prompt con testo e audio, fornendo il mimeType del file di input e il file stesso. Consulta i requisiti e i consigli per i file di input più avanti in questa pagina.
Swift
Puoi chiamare
generateContent()
per generare testo da un input multimodale di testo e un singolo file audio.
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
Puoi chiamare
generateContent()
per generare testo da un input multimodale di testo e un singolo file audio.
// 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
Puoi chiamare
generateContent()
per generare testo da un input multimodale di testo e un singolo file audio.
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
Puoi chiamare
generateContent()
per generare testo da un input multimodale di testo e un singolo file audio.
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
Puoi chiamare
generateContent()
per generare testo da un input multimodale di testo e un singolo file audio.
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
Puoi chiamare
GenerateContentAsync()
per generare testo da un input multimodale di testo e un singolo file audio.
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.");
Scopri come scegliere un modello adatta al tuo caso d'uso e alla tua app.
Visualizza la risposta in modo dinamico
|
Prima di provare questo esempio, completa la sezione Prima di iniziare di questa guida per configurare il progetto e l'app. In questa sezione, farai anche clic su un pulsante per il provider Gemini API scelto, in modo da visualizzare i contenuti specifici del provider in questa pagina. |
Puoi ottenere interazioni più rapide non aspettando l'intero risultato della generazione del modello, ma utilizzando lo streaming per gestire i risultati parziali.
Per riprodurre in streaming la risposta, chiama generateContentStream.
Requisiti e consigli per i file audio di input
Tieni presente che un file fornito come dati incorporati viene codificato in base64 in transito, il che aumenta le dimensioni della richiesta. Se una richiesta è troppo grande, ricevi un errore HTTP 413.
Consulta la pagina "File di input supportati e requisiti" per informazioni dettagliate su quanto segue:
- Diverse opzioni per fornire un file in una richiesta (incorporato o utilizzando l'URL o l'URI del file)
- Requisiti e best practice per i file audio
Tipi MIME audio supportati
I modelli multimodali Gemini supportano i seguenti tipi MIME audio:
- 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
Limiti per richiesta
Numero massimo di file per richiesta: 1 file audio
Cos'altro sai fare?
- Scopri come contare i token prima di inviare prompt lunghi al modello.
- Configura Cloud Storage for Firebase in modo da poter includere file di grandi dimensioni nelle tue richieste multimodali e avere una soluzione più gestita per fornire file nei prompt. I file possono includere immagini, PDF, video e audio.
-
Inizia a pensare alla preparazione per la produzione (consulta l'elenco di controllo per la produzione):
- Applica Firebase App Check il prima possibile per proteggere Gemini API da abusi da parte di client non autorizzati.
- Utilizza Firebase Remote Config o template di prompt del server per apportare modifiche on demand alle configurazioni della tua funzionalità di AI (come il nome del modello) senza rilasciare una nuova versione dell'app.
Prova altre funzionalità
- Crea conversazioni a più turni (chat).
- Genera testo da prompt di solo testo.
- Genera output strutturato (come JSON) da prompt di testo e multimodali.
- Genera e modifica immagini da prompt di testo e multimodali.
- Genera parlato (sia con un singolo speaker che con più speaker) utilizzando i modelli di sintesi vocale (TTS) Gemini.
- Input e output in streaming (incluso l'audio) utilizzando Gemini Live API.
-
Utilizza strumenti (come la chiamata di funzione
e il grounding con
Google Search oGoogle Maps ) per connettere un modello Gemini ad altre parti della tua app e a sistemi e informazioni esterni.
Scopri come controllare la generazione di contenuti
- Scopri di più sulla progettazione dei prompt, tra cui best practice, strategie e prompt di esempio.
- Configura i parametri del modello, come i token di output massimi, la probabilità di token di output ripetuti e così via.
- Utilizza le impostazioni di sicurezza per regolare la probabilità di ricevere risposte che potrebbero essere considerate dannose.
Scopri di più sui modelli supportati
Scopri di più sui modelli disponibili per vari casi d'uso, sulle relative quote e sui prezzi.Fornisci un feedback sulla tua esperienza con Firebase AI Logic