Gemini API का इस्तेमाल करके, वीडियो फ़ाइलों का विश्लेषण करना

Gemini मॉडल से, वीडियो फ़ाइलों का विश्लेषण करने के लिए कहा जा सकता है. इसके लिए, आपको फ़ाइलें इनलाइन (base64-encoded) या यूआरएल के ज़रिए उपलब्ध करानी होंगी. Firebase AI Logic का इस्तेमाल करते समय, यह अनुरोध सीधे अपने ऐप्लिकेशन से किया जा सकता है.

इस सुविधा की मदद से, ये काम किए जा सकते हैं:

  • वीडियो के लिए कैप्शन जनरेट करना और उनसे जुड़े सवालों के जवाब देना
  • टाइमस्टैंप का इस्तेमाल करके, वीडियो के खास सेगमेंट का विश्लेषण करना
  • ऑडियो ट्रैक और विज़ुअल फ़्रेम, दोनों को प्रोसेस करके वीडियो कॉन्टेंट को टेक्स्ट में बदलें
  • वीडियो से जानकारी निकालने, उसे सेगमेंट में बांटने, और उसके बारे में बताने की सुविधा. इसमें ऑडियो ट्रैक और विज़ुअल फ़्रेम, दोनों शामिल हैं

कोड के सैंपल पर जाएं स्ट्रीम किए गए जवाबों के कोड पर जाएं


वीडियो के साथ काम करने के अन्य विकल्पों के लिए, अन्य गाइड देखें
स्ट्रक्चर्ड आउटपुट जनरेट करना कई बार बातचीत करना

शुरू करने से पहले

इस पेज पर, Gemini API उपलब्ध कराने वाली कंपनी के हिसाब से कॉन्टेंट और कोड देखने के लिए, उस कंपनी पर क्लिक करें.

अगर आपने अब तक शुरुआती गाइड नहीं पढ़ी है, तो इसे पढ़ें. इसमें बताया गया है कि Firebase प्रोजेक्ट कैसे सेट अप करें, अपने ऐप्लिकेशन को Firebase से कैसे कनेक्ट करें, एसडीके कैसे जोड़ें, चुने गए Gemini API प्रोवाइडर के लिए बैकएंड सेवा को कैसे शुरू करें, और GenerativeModel इंस्टेंस कैसे बनाएं.

हमारा सुझाव है कि अपने प्रॉम्प्ट की जांच करने और उन्हें बेहतर बनाने के लिए, Google AI Studio का इस्तेमाल करें. इससे आपको जनरेट किया गया कोड स्निपेट भी मिल सकता है.

Base64 कोड में बदली गई वीडियो फ़ाइलों से टेक्स्ट जनरेट करना

इस सैंपल को आज़माने से पहले, इस गाइड के शुरू करने से पहले सेक्शन में दिया गया तरीका अपनाकर, अपना प्रोजेक्ट और ऐप्लिकेशन सेट अप करें.
उस सेक्शन में, आपको Gemini API सेवा देने वाली कंपनी के लिए एक बटन पर भी क्लिक करना होगा, ताकि आपको इस पेज पर सेवा देने वाली कंपनी के हिसाब से कॉन्टेंट दिखे.

Gemini मॉडल से, टेक्स्ट और वीडियो का इस्तेमाल करके टेक्स्ट जनरेट करने के लिए कहा जा सकता है. इसके लिए, हर इनपुट फ़ाइल का mimeType और फ़ाइल खुद देनी होगी. इस पेज पर नीचे, इनपुट फ़ाइलों के लिए ज़रूरी शर्तें और सुझाव देखें.

ध्यान दें कि इस उदाहरण में, फ़ाइल को इनलाइन उपलब्ध कराने का तरीका दिखाया गया है. हालांकि, एसडीके YouTube यूआरएल उपलब्ध कराने की सुविधा भी देते हैं.

Swift

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.


import FirebaseAI

// 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-2.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.

Kotlin के लिए, इस एसडीके में मौजूद तरीके, सस्पेंड फ़ंक्शन होते हैं. इन्हें कोरूटीन स्कोप से कॉल करना होता है.

// 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-2.5-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 = generativeModel.generateContent(prompt)
    Log.d(TAG, response.text ?: "")
  }
}

Java

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.

Java के लिए, इस एसडीके टूल में मौजूद तरीके ListenableFuture दिखाते हैं.

// 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-2.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.


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-2.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, generateContent() को कॉल किया जा सकता है.


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-2.5-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

टेक्स्ट और वीडियो फ़ाइलों के मल्टीमॉडल इनपुट से टेक्स्ट जनरेट करने के लिए, GenerateContentAsync() को कॉल किया जा सकता है.


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-2.5-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.");

अपने इस्तेमाल के उदाहरण और ऐप्लिकेशन के लिए, सही मॉडल चुनने का तरीका जानें.

जवाब को स्ट्रीम करना

इस सैंपल को आज़माने से पहले, इस गाइड के शुरू करने से पहले सेक्शन में दिया गया तरीका अपनाकर, अपना प्रोजेक्ट और ऐप्लिकेशन सेट अप करें.
उस सेक्शन में, आपको Gemini API सेवा देने वाली कंपनी के लिए एक बटन पर भी क्लिक करना होगा, ताकि आपको इस पेज पर सेवा देने वाली कंपनी के हिसाब से कॉन्टेंट दिखे.

मॉडल जनरेशन से पूरा नतीजा मिलने का इंतज़ार न करके, आपको तेज़ी से इंटरैक्शन मिल सकते हैं. इसके बजाय, कुछ नतीजों को हैंडल करने के लिए स्ट्रीमिंग का इस्तेमाल करें. जवाब को स्ट्रीम करने के लिए, generateContentStream को कॉल करें.



इनपुट वीडियो फ़ाइलों के लिए ज़रूरी शर्तें और सुझाव

ध्यान दें कि इनलाइन डेटा के तौर पर दी गई फ़ाइल को ट्रांज़िट में base64 में एन्कोड किया जाता है. इससे अनुरोध का साइज़ बढ़ जाता है. अगर कोई अनुरोध बहुत बड़ा है, तो आपको एचटीटीपी 413 गड़बड़ी दिखेगी.

नीचे दी गई चीज़ों के बारे में ज़्यादा जानकारी पाने के लिए, "Vertex AI Gemini API के लिए इस्तेमाल की जा सकने वाली इनपुट फ़ाइलें और ज़रूरी शर्तें" देखें:

वीडियो के लिए इस्तेमाल किए जा सकने वाले MIME टाइप

Gemini मल्टीमॉडल मॉडल, वीडियो के इन MIME टाइप के साथ काम करते हैं:

  • FLV - video/x-flv
  • MOV - video/quicktime
  • MPEG - video/mpeg
  • MPEGPS - video/mpegps
  • एमपीजी - video/mpg
  • MP4 - video/mp4
  • WEBM - video/webm
  • WMV - video/wmv
  • 3GPP - video/3gpp

हर अनुरोध के लिए सीमाएं

हर अनुरोध में ज़्यादा से ज़्यादा 10 वीडियो फ़ाइलें अपलोड की जा सकती हैं



तुम और क्या कर सकती हो?

  • मॉडल को लंबे प्रॉम्प्ट भेजने से पहले, टोकन गिनने का तरीका जानें.
  • Cloud Storage for Firebase सेट अप करें, ताकि मल्टीमॉडल अनुरोधों में बड़ी फ़ाइलें शामिल की जा सकें. साथ ही, आपको प्रॉम्प्ट में फ़ाइलें उपलब्ध कराने के लिए, बेहतर तरीके से मैनेज किया गया समाधान मिल सके. फ़ाइलों में इमेज, PDF, वीडियो, और ऑडियो शामिल हो सकते हैं.
  • प्रोडक्शन के लिए तैयारी शुरू करें. इसके लिए, प्रोडक्शन की चेकलिस्ट देखें. इसमें ये चीज़ें शामिल हैं:

अन्य सुविधाएं आज़माएं

कॉन्टेंट जनरेट करने की सुविधा को कंट्रोल करने का तरीका जानें

प्रॉम्प्ट और मॉडल कॉन्फ़िगरेशन के साथ एक्सपेरिमेंट भी किया जा सकता है. साथ ही, Google AI Studio का इस्तेमाल करके, जनरेट किया गया कोड स्निपेट भी पाया जा सकता है.

साथ काम करने वाले मॉडल के बारे में ज़्यादा जानें

अलग-अलग कामों के लिए उपलब्ध मॉडल और उनके कोटे और कीमत के बारे में जानें.


Firebase AI Logic के साथ अपने अनुभव के बारे में सुझाव/राय दें या शिकायत करें