راهنمای جامع توسعه‌دهندگان برای رونویسی صدا با استفاده از APIهای جمینی
این راهنما چگونگی پیاده‌سازی رونویسی صدا در اپلیکیشن‌ها با استفاده از مدل‌های جمینی را از پیاده‌سازی پایه تا راه‌حل‌های جریان‌های بلادرنگ آموزش می‌دهد.
۳ دقیقه مطالعه
رونویسی صدا با APIهای جمینی
جمینی مدل‌های زبانی بزرگ چندوجهی هستند که می‌توانند انواع مختلف داده از جمله متن، کد، تصویر، صدا و ویدئو را پردازش و تولید کنند. این مدل‌ها قابلیت‌های قدرتمندی برای رونویسی صدا ارائه می‌دهند که به توسعه‌دهندگان امکان تبدیل محتوای گفتاری به متن را می‌دهد.
قابلیت‌های اصلی
- پشتیبانی از فرمت‌های مختلف صوتی شامل WAV، MP3، AIFF، AAC، OGG و FLAC
- ارائه سه API مختلف: generateContent، streamGenerateContent و BidiGenerateContent
- امکان استفاده از طریق Google GenAI SDK در زبان‌های برنامه‌نویسی مختلف
مراحل پیاده‌سازی
- نصب Python نسخه بالاتر از ۳.۱۰ و Google GenAI SDK
- دریافت API Key از Google AI Studio
- آپلود فایل صوتی یا ارسال داده‌های صوتی به صورت inline
- استفاده از promptهای مناسب برای راه‌اندازی فرآیند رونویسی
"جمینی ۲.۵ پرو دقت رونویسی بهتری نسبت به جمینی ۲.۰ فلش ارائه می‌دهد"
"API زنده برای تعامل بلادرنگ با مدل‌های جمینی طراحی شده است"
- generateContent: برای پردازش درخواست‌های استاندارد
- streamGenerateContent: برای پاسخ‌های جزئی و تعاملی
- Live API: برای جریان‌های دوطرفه بلادرنگ
با توجه به محدودیت‌های حجم فایل و نیازهای پروژه، توسعه‌دهندگان می‌توانند بهترین روش را انتخاب کنند.