تحليل الصوت باستخدام Gemini API: تحويل التسجيلات إلى نصوص وملخصات

ما الذي ستتعلمه في هذا الدليل؟

يمكنك استخدام المدخلات الصوتية في Gemini API لشرح محتوى تسجيل أو تلخيصه أو الإجابة عن أسئلة بشأنه. وإلى جانب تحويل الصوت إلى نص وترجمته، يستطيع API فحص مقاطع محددة مع طوابع زمنية؛ كما يشمل رصد المشاعر في الكلام والموسيقى الاستخدامات الموثّقة.

يمكن لفرق العمارة والتصميم الداخلي تجربة هذه الميزات لإعداد مسودات نصية من ملاحظات الاجتماعات أو مراجعات المشاريع أو التسجيلات الميدانية. لكن ينبغي التحقق من دقة التفريغ؛ لا سيما في قرارات المشاريع والأبعاد والمصطلحات التقنية، ولا ينبغي التعامل مع النتيجة التلقائية على أنها محضر معتمد.

المتطلبات واختيار الملف

يستخدم المثال عميل Python ومعرّف النموذج gemini-3.8-flash. يستورد كود Python الحزمة google.genai لإنشاء العميل، ثم يحمّل الملف الصوتي ويضيفه إلى طلب generate_content مع تعليمات نصية. بما أن المصدر لا يحدد الأسعار أو نوع الحساب أو خطوات التثبيت المطلوبة، فلا نفترض هنا أي شروط تتعلق بهذه الأمور.

يمكنك إرسال البيانات الصوتية بطريقتين: إرفاقها مباشرة بالطلب أو تحميلها كملف قبل إرسال الطلب. توصي الوثائق باستخدام Files API إذا تجاوز الحجم الإجمالي للطلب 20 MB، بما في ذلك الملف والموجّه النصي وتعليمات النظام. يوضّح مثال Python القصير التالي طريقة التحميل وإرفاق تعليمات بالملف:

from google import genai

client = genai.Client()
myfile = client.files.upload(file="path/to/sample.mp3")
response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents=["Describe this audio clip", myfile]
)
print(response.text)

استبدل القيمة path/to/sample.mp3 بمسار الملف الصوتي الذي ستستخدمه. ويحدد النص الموجود في contents المهمة المطلوبة من النموذج. يطبع الكود الإجابة كنص؛ لذا لا تفترض أن صيغة الإخراج ستلتزم في كل مرة بمخطط JSON محدد.

تحليل الصوت خطوة بخطوة

1. حدّد المهمة بوضوح. اطلب نوعًا واحدًا من النتائج في البداية: ملخصًا قصيرًا، أو تفريغًا صوتيًا، أو ترجمة، أو وصفًا للصوت. إذا أردت أكثر من مخرج للتسجيل نفسه، فاذكر التوقعات في تعليمات منفصلة.

لخّص هذا التسجيل الصوتي باللغة التركية. ركّز على الموضوع الرئيسي وقرارات المشروع التي ذكرها المتحدثون. لا تخمّن المعلومات غير المسموعة أو غير الواضحة؛ بل أشر إلى أنها غير مؤكدة.

هذه التعليمات مثال على موجّه للحصول على ملخص أولي من تسجيل اجتماع أو مراجعة مشروع. وهي ليست موجّهًا جاهزًا للعمارة واردًا في المصدر؛ بل مثال أُعدّ استنادًا إلى ميزة تلخيص الصوت الموثّقة.

1. حمّل الملف الصوتي وأرفقه بالطلب. في الكود أعلاه، يُحمّل الملف باستخدام client.files.upload، ثم يُمرر الملف المحمّل والتعليمات إلى استدعاء generate_content. تحقّق من الحجم الإجمالي للطلب؛ فحد 20 MB يتعلق بإجمالي الطلب الموضّح في المصدر، وليس بحجم الملف وحده. وتشير الوثائق أيضًا إلى إمكانية إرسال البيانات الصوتية مباشرة ضمن الطلب عندما يكون أصغر.

2. حدّد متطلبات المخرجات عند طلب التفريغ الصوتي. عند تفريغ تسجيل، وضّح توقعاتك المتعلقة باللغة والترجمة وتقسيم المقاطع. يطلب المثال الوارد في الوثائق طابعًا زمنيًا بصيغة MM:SS لكل مقطع، واللغة الأساسية، وترجمة إلى الإنجليزية للمقاطع غير الإنجليزية، ومشاعر المتحدث. وتقتصر خيارات المشاعر في المثال على Happy وSad وAngry وNeutral.

فرّغ التسجيل الصوتي بالتفصيل. حدّد الطابع الزمني بصيغة MM:SS واللغة المنطوقة لكل مقطع. إذا لم يكن الكلام بالإنجليزية، فأضف ترجمته إلى الإنجليزية. حدّد الشعور الغالب في كل مقطع باستخدام خيار واحد فقط من الخيارات التالية: Happy, Sad, Angry, Neutral. ابدأ بملخص قصير للتسجيل.

يعيد هذا الموجّه صياغة سير العمل الوارد في مثال التفريغ الموثّق لتسجيل عام، مثل اجتماع معماري. وإذا كان الصوت باللغة التركية، فيظل طلب الترجمة إلى الإنجليزية الوارد في تعليمات المصدر قائمًا؛ ولا يضمن تغيير اللغة المستهدفة الحصول على النتيجة نفسها التي يعرضها المثال.

1. اطلب إخراجًا منظّمًا. يضبط المثال الرسمي صيغة الاستجابة على application/json ويعرّف مخططًا لها. يتضمن المخطط حقل ملخص باسم summary ومصفوفة مقاطع باسم segments؛ وتُعرّف في المقاطع حقول مثل الطابع الزمني والمحتوى واللغة ورمز اللغة والترجمة والمشاعر. وقد يتيح ذلك معالجة البيانات وفق حقول محددة في التطبيق. لكن بعض الحقول في مخطط المثال محددة على أنها مطلوبة، بينما لا يظهر الحقل translation ضمن قائمة الحقول المطلوبة؛ لذا تحقّق من الحقول التي يتوقعها تطبيقك.

2. راجع النتيجة بالرجوع إلى التسجيل. قارن الطوابع الزمنية والأسماء الخاصة والأرقام والأبعاد بالصوت الأصلي. وفي التسجيلات متعددة اللغات، راجع حقول اللغة والترجمة أيضًا. كما أن تصنيف المشاعر آلي؛ لذا لا ينبغي التعامل معه مباشرة على أنه حقيقة موضوعية في محضر اجتماع أو ملاحظات عميل.

الأخطاء الشائعة والقيود

أهم قيد هو أن Gemini API لا يدعم التفريغ الصوتي في الوقت الفعلي. وتوجّه الوثائق إلى Live API للتفاعلات الصوتية والمرئية المباشرة، وإلى Google Cloud Speech-to-Text API للحصول على نماذج متخصصة لتحويل الكلام إلى نص تدعم التفريغ الفوري. لذلك، فإن إنشاء ترجمة نصية فورية أثناء الاجتماع ومعالجة ملف صوتي لاحقًا ليسا سير العمل نفسه.

ومن الأخطاء الأخرى افتراض أن التعليمات القصيرة ستنتج مخرجات مفصلة ومنظمة. إذا كنت تحتاج إلى طوابع زمنية أو ملخص أو لغة أو ترجمة أو مشاعر، فاذكر ذلك بوضوح في الموجّه؛ وإذا كان التطبيق سيقسّم الإجابة إلى حقول، ففكّر في استخدام أسلوب المخرجات المنظّمة الموضّح في المصدر. كذلك، فإن طلبًا عامًا مثل Describe this audio clip يطلب وصف الصوت فحسب، ولا يطلب تفريغًا نصيًا أو توقيتًا للمقاطع.

احسب الحجم الإجمالي للطلب عند اختيار طريقة تحميل الملف. وتذكر الوثائق الرسمية بوضوح ضرورة استخدام Files API للطلبات التي يتجاوز حجمها الإجمالي 20 MB. وبما أن المصادر لا تقدم معلومات عن التسعير أو مدة تخزين الملفات أو قائمة شاملة بتوافق صيغ صوتية محددة، فلا تفترض شيئًا في هذه المسائل؛ وراجع وثائق API الحالية قبل البدء بالاستخدام.

أثر ذلك في سير عمل العمارة والتصميم الداخلي وarchviz

يمكن للمعماريين ومصممي الديكور الداخلي تجربة تلخيص تسجيلات الاجتماعات، أو تفريغ الملاحظات الصوتية الميدانية، أو تقسيم الملاحظات المنطوقة في مراجعات التصوّر إلى مقاطع. وقد تسهّل الطوابع الزمنية العودة إلى جزء معين في تسجيل طويل. كما قد يكون حقل الترجمة مفيدًا كمسودة عمل في الاجتماعات متعددة اللغات.

لا تُقدّم هذه الاستخدامات في المصدر على أنها تطبيقات معمارية جاهزة؛ بل هي مسارات عمل محتملة مستنبطة من ميزات API الخاصة بالتلخيص والتفريغ والترجمة والطوابع الزمنية. يجب الاستماع إلى المصطلحات التقنية وأسماء المساحات والأبعاد وقرارات العملاء للتحقق منها. وينبغي للفرق أيضًا مراجعة تكاليف استخدام API وشروط معالجة البيانات الخاصة بحساباتها؛ إذ لا يتضمن المصدر تفاصيل في هذا الشأن.

الخطوات التالية

اختر في تجربتك الأولى تسجيلًا قصيرًا ذا هدف واحد. ابدأ بالحصول على ملخص أو تفريغ نصي، ثم راجع النتيجة بالاستماع إلى التسجيل؛ بعد ذلك أضف المتطلبات الإضافية واحدًا تلو الآخر، مثل الطوابع الزمنية أو الترجمة أو حقول JSON. سيسهّل ذلك معرفة ما إذا كان الخطأ ناتجًا عن المدخل الصوتي أو التعليمات أو صيغة الإخراج المتوقعة.

إذا كنت تحتاج إلى تفريغ فوري، فلا تستخدم مثال معالجة الملفات في Gemini API كما لو كان حلًا آنيًا. اطّلع بشكل منفصل على Live API وGoogle Cloud Speech-to-Text اللذين تشير إليهما الوثائق. المثال هنا مخصص لتحليل الصوت من الملفات وإنشاء إجابة نصية.

المصدر والترخيص

أُعدّ هذا الدليل باللغة التركية اعتمادًا على الأمثلة الواردة في وثائق Google الخاصة بفهم الصوت في Gemini API. المصدر مرخّص بموجب CC BY 4.0. ويستند مثال الكود ومعلومات الاستخدام إلى الشروحات الواردة في هذا الدليل المفتوح الترخيص؛ أما الموجّهات المخصصة للعمارة فأُعدّت تحريريًا.