Видео понимание

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.