Модели Gemini могут обрабатывать видео, что позволяет использовать множество передовых разработчиков, для которых исторически требовались модели, специфичные для предметной области. Некоторые из возможностей зрения Близнецов включают в себя способность:
- Описывать, сегментировать и извлекать информацию из видеороликов продолжительностью до 90 минут.
- Отвечаем на вопросы о видеоконтенте
- Обратитесь к определенным временным меткам в видео.
Gemini с самого начала создавался как мультимодальный, и мы продолжаем расширять границы возможного. В этом руководстве показано, как использовать API Gemini для генерации текстовых ответов на основе видеовходов.
Прежде чем начать
Прежде чем вызывать API Gemini, убедитесь, что выбранный вами SDK установлен, а ключ API Gemini настроен и готов к использованию.
Видео вход
Вы можете предоставить видео в качестве входных данных для Gemini следующими способами:
- Загрузите видеофайл с помощью File API, прежде чем отправлять запрос на
generateContent
. Используйте этот метод для файлов размером более 20 МБ, видео продолжительностью более 1 минуты или если вы хотите повторно использовать файл для нескольких запросов. - Передайте встроенные видеоданные с запросом
generateContent
. Используйте этот метод для файлов меньшего размера (<20 МБ) и меньшей продолжительности. - Включите URL-адрес YouTube непосредственно в приглашение.
Загрузите видеофайл
Вы можете использовать Files API для загрузки видеофайла. Всегда используйте Files API, если общий размер запроса (включая файл, текстовую подсказку, системные инструкции и т. д.) превышает 20 МБ, продолжительность видео значительна или если вы собираетесь использовать одно и то же видео в нескольких подсказках.
File API напрямую принимает форматы видеофайлов. В этом примере используется короткометражный фильм НАСА «Большое красное пятно Юпитера сжимается и растет» . Фото: Центр космических полетов Годдарда (GSFC)/Дэвид Лэдд (2018).
«Большое красное пятно Юпитера сжимается и растет» находится в свободном доступе и не показывает идентифицируемых людей. ( Руководство НАСА по использованию изображений и медиа. )
Следующий код загружает образец видео, загружает его с помощью File API, ожидает его обработки, а затем использует ссылку на файл в generateContent
.
Питон
from google import genai
client = genai.Client(api_key="GOOGLE_API_KEY")
myfile = client.files.upload(file="path/to/sample.mp4")
response = client.models.generate_content(
model="gemini-2.0-flash", contents=[myfile, "Summarize this video. Then create a quiz with an answer key based on the information in this video."]
)
print(response.text)
JavaScript
import {
GoogleGenAI,
createUserContent,
createPartFromUri,
} from "@google/genai";
const ai = new GoogleGenAI({ apiKey: "GOOGLE_API_KEY" });
async function main() {
const myfile = await ai.files.upload({
file: "path/to/sample.mp4",
config: { mimeType: "video/mp4" },
});
const response = await ai.models.generateContent({
model: "gemini-2.0-flash",
contents: createUserContent([
createPartFromUri(myfile.uri, myfile.mimeType),
"Summarize this video. Then create a quiz with an answer key based on the information in this video.",
]),
});
console.log(response.text);
}
await main();
Идти
file, err := client.UploadFileFromPath(ctx, "path/to/sample.mp4", nil)
if err != nil {
log.Fatal(err)
}
defer client.DeleteFile(ctx, file.Name)
model := client.GenerativeModel("gemini-2.0-flash")
resp, err := model.GenerateContent(ctx,
genai.FileData{URI: file.URI},
genai.Text("Summarize this video. Then create a quiz with an answer key based on the information in this video."))
if err != nil {
log.Fatal(err)
}
printResponse(resp)
ОТДЫХ
VIDEO_PATH="path/to/sample.mp4"
MIME_TYPE=$(file -b --mime-type "${VIDEO_PATH}")
NUM_BYTES=$(wc -c < "${VIDEO_PATH}")
DISPLAY_NAME=VIDEO
tmp_header_file=upload-header.tmp
echo "Starting file upload..."
curl "https://generativelanguage.googleapis.com/upload/v1beta/files?key=${GOOGLE_API_KEY}" \
-D ${tmp_header_file} \
-H "X-Goog-Upload-Protocol: resumable" \
-H "X-Goog-Upload-Command: start" \
-H "X-Goog-Upload-Header-Content-Length: ${NUM_BYTES}" \
-H "X-Goog-Upload-Header-Content-Type: ${MIME_TYPE}" \
-H "Content-Type: application/json" \
-d "{'file': {'display_name': '${DISPLAY_NAME}'}}" 2> /dev/null
upload_url=$(grep -i "x-goog-upload-url: " "${tmp_header_file}" | cut -d" " -f2 | tr -d "\r")
rm "${tmp_header_file}"
echo "Uploading video data..."
curl "${upload_url}" \
-H "Content-Length: ${NUM_BYTES}" \
-H "X-Goog-Upload-Offset: 0" \
-H "X-Goog-Upload-Command: upload, finalize" \
--data-binary "@${VIDEO_PATH}" 2> /dev/null > file_info.json
file_uri=$(jq -r ".file.uri" file_info.json)
echo file_uri=$file_uri
echo "File uploaded successfully. File URI: ${file_uri}"
# --- 3. Generate content using the uploaded video file ---
echo "Generating content from video..."
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key=$GOOGLE_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"contents": [{
"parts":[
{"file_data":{"mime_type": "'"${MIME_TYPE}"'", "file_uri": "'"${file_uri}"'"}},
{"text": "Summarize this video. Then create a quiz with an answer key based on the information in this video."}]
}]
}' 2> /dev/null > response.json
jq -r ".candidates[].content.parts[].text" response.json
Дополнительные сведения о работе с медиафайлами см. в разделе Files API .
Передача видеоданных в режиме онлайн
Вместо загрузки видеофайла с помощью File API вы можете передавать видео меньшего размера непосредственно в запросе generateContent
. Это подходит для более коротких видеороликов общим размером запроса менее 20 МБ.
Вот пример предоставления встроенных видеоданных:
Питон
# Only for videos of size <20Mb
video_file_name = "/path/to/your/video.mp4"
video_bytes = open(video_file_name, 'rb').read()
response = client.models.generate_content(
model='models/gemini-2.0-flash',
contents=types.Content(
parts=[
types.Part(
inline_data=types.Blob(data=video_bytes, mime_type='video/mp4')
),
types.Part(text='Please summarize the video in 3 sentences.')
]
)
)
JavaScript
import { GoogleGenAI } from "@google/genai";
import * as fs from "node:fs";
const ai = new GoogleGenAI({ apiKey: "GOOGLE_API_KEY" });
const base64VideoFile = fs.readFileSync("path/to/small-sample.mp4", {
encoding: "base64",
});
const contents = [
{
inlineData: {
mimeType: "video/mp4",
data: base64VideoFile,
},
},
{ text: "Please summarize the video in 3 sentences." }
];
const response = await ai.models.generateContent({
model: "gemini-2.0-flash",
contents: contents,
});
console.log(response.text);
ОТДЫХ
VIDEO_PATH=/path/to/your/video.mp4
if [[ "$(base64 --version 2>&1)" = *"FreeBSD"* ]]; then
B64FLAGS="--input"
else
B64FLAGS="-w0"
fi
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key=$GOOGLE_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"contents": [{
"parts":[
{
"inline_data": {
"mime_type":"video/mp4",
"data": "'$(base64 $B64FLAGS $VIDEO_PATH)'"
}
},
{"text": "Please summarize the video in 3 sentences."}
]
}]
}' 2> /dev/null
Включите URL-адрес YouTube
Gemini API и AI Studio поддерживают URL-адреса YouTube как Part
данных файла. Вы можете включить URL-адрес YouTube с просьбой к модели обобщить, перевести или иным образом взаимодействовать с видеоконтентом.
Ограничения:
- Вы не можете загружать более 8 часов видео на YouTube в день.
- По одному запросу можно загрузить только 1 видео.
- Вы можете загружать только общедоступные видео (но не частные или частные видео).
В следующем примере показано, как включить URL-адрес YouTube в запрос:
Питон
response = client.models.generate_content(
model='models/gemini-2.0-flash',
contents=types.Content(
parts=[
types.Part(
file_data=types.FileData(file_uri='https://www.youtube.com/watch?v=9hE5-98ZeCg')
),
types.Part(text='Please summarize the video in 3 sentences.')
]
)
)
JavaScript
import { GoogleGenerativeAI } from "@google/generative-ai";
const genAI = new GoogleGenerativeAI(process.env.GOOGLE_API_KEY);
const model = genAI.getGenerativeModel({ model: "gemini-1.5-pro" });
const result = await model.generateContent([
"Please summarize the video in 3 sentences.",
{
fileData: {
fileUri: "https://www.youtube.com/watch?v=9hE5-98ZeCg",
},
},
]);
console.log(result.response.text());
Идти
ctx := context.Background()
client, err := genai.NewClient(ctx, option.WithAPIKey(os.Getenv("GOOGLE_API_KEY")))
if err != nil {
log.Fatal(err)
}
defer client.Close()
model := client.GenerativeModel("gemini-2.0-flash")
resp, err := model.GenerateContent(ctx,
genai.FileData{URI: "https://www.youtube.com/watch?v=9hE5-98ZeCg"},
genai.Text("Please summarize the video in 3 sentences."))
if err != nil {
log.Fatal(err)
}
// Handle the response of generated text.
for _, c := range resp.Candidates {
if c.Content != nil {
fmt.Println(*c.Content)
}
}
ОТДЫХ
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key=$GOOGLE_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"contents": [{
"parts":[
{"text": "Please summarize the video in 3 sentences."},
{
"file_data": {
"file_uri": "https://www.youtube.com/watch?v=9hE5-98ZeCg"
}
}
]
}]
}' 2> /dev/null
Обратитесь к временным меткам в содержании
Вы можете задавать вопросы об определенных моментах времени в видео, используя метки времени в формате MM:SS
.
Питон
prompt = "What are the examples given at 00:05 and 00:10 supposed to show us?" # Adjusted timestamps for the NASA video
JavaScript
const prompt = "What are the examples given at 00:05 and 00:10 supposed to show us?";
Идти
prompt := []genai.Part{
genai.FileData{URI: currentVideoFile.URI, MIMEType: currentVideoFile.MIMEType},
// Adjusted timestamps for the NASA video
genai.Text("What are the examples given at 00:05 and " +
"00:10 supposed to show us?"),
}
ОТДЫХ
PROMPT="What are the examples given at 00:05 and 00:10 supposed to show us?"
Расшифруйте видео и предоставьте визуальное описание.
Модели Gemini могут транскрибировать и предоставлять визуальное описание видеоконтента, обрабатывая как звуковую дорожку, так и визуальные кадры. Для визуальных описаний модель производит выборку видео со скоростью 1 кадр в секунду . Эта частота дискретизации может повлиять на уровень детализации описаний, особенно для видео с быстро меняющимися визуальными эффектами.
Питон
prompt = "Transcribe the audio from this video, giving timestamps for salient events in the video. Also provide visual descriptions."
JavaScript
const prompt = "Transcribe the audio from this video, giving timestamps for salient events in the video. Also provide visual descriptions.";
Идти
prompt := []genai.Part{
genai.FileData{URI: currentVideoFile.URI, MIMEType: currentVideoFile.MIMEType},
genai.Text("Transcribe the audio from this video, giving timestamps for salient events in the video. Also " +
"provide visual descriptions."),
}
ОТДЫХ
PROMPT="Transcribe the audio from this video, giving timestamps for salient events in the video. Also provide visual descriptions."
Поддерживаемые форматы видео
Gemini поддерживает следующие типы MIME видеоформатов:
-
video/mp4
-
video/mpeg
-
video/mov
-
video/avi
-
video/x-flv
-
video/mpg
-
video/webm
-
video/wmv
-
video/3gpp
Технические подробности о видео
- Поддерживаемые модели и контекст : все модели Gemini 2.0 и 2.5 могут обрабатывать видеоданные.
- Модели с контекстным окном 2М могут обрабатывать видео длительностью до 2 часов, а модели с контекстным окном 1М — видео длительностью до 1 часа.
- Обработка API файлов : при использовании API файлов видео дискретизируется со скоростью 1 кадр в секунду (FPS), а аудио обрабатывается со скоростью 1 Кбит/с (один канал). Временные метки добавляются каждую секунду.
- Эти ставки могут быть изменены в будущем для улучшения вывода.
- Расчет токенов : каждая секунда видео токенизируется следующим образом:
- Отдельные кадры (выборка с частотой 1 кадр/с): 258 токенов на кадр.
- Аудио: 32 токена в секунду.
- Метаданные также включены.
- Итого: Примерно 300 токенов за секунду видео.
- Формат временной метки . При упоминании определенных моментов видео в подсказке используйте формат
MM:SS
(например,01:15
для 1 минуты и 15 секунд). - Лучшие практики :
- Для достижения оптимальных результатов используйте только одно видео для каждого запроса.
- При объединении текста и одного видео поместите текстовую подсказку после части видео в массиве
contents
. - Имейте в виду, что в эпизодах быстрых действий могут потеряться детали из-за частоты дискретизации 1 кадр/с. При необходимости рассмотрите возможность замедления таких клипов.
Что дальше
В этом руководстве показано, как загружать видеофайлы и генерировать текстовые выходные данные из видеовходов. Чтобы узнать больше, посетите следующие ресурсы:
- Системные инструкции . Системные инструкции позволяют вам управлять поведением модели в зависимости от ваших конкретных потребностей и вариантов использования.
- API файлов : узнайте больше о загрузке файлов и управлении ими для использования с Gemini.
- Стратегии запроса файлов . API Gemini поддерживает запросы с текстовыми, графическими, аудио- и видеоданными, также известные как мультимодальные запросы.
- Рекомендации по безопасности . Иногда генеративные модели ИИ дают неожиданные результаты, например, неточные, предвзятые или оскорбительные. Постобработка и человеческая оценка необходимы для ограничения риска вреда от таких результатов.