Gemini API ilə səsin təhlili: yazıları mətnə və xülasəyə çevirmək

Bu bələdçidə nə öyrənəcəksiniz?

Gemini API-nin audio girişindən istifadə edərək yazının məzmununu təsvir etməsini, xülasələşdirməsini və ya suallara cavab verməsini təmin edə bilərsiniz. API audio üçün transkripsiya və tərcümə ilə yanaşı, müəyyən hissələri vaxt nişanları ilə araşdıra bilər; nitq və musiqidə emosiya aşkarlanması da sənədləşdirilmiş istifadə sahələri arasındadır.

Memarlıq və interyer dizaynı komandaları bu imkanları iclas qeydlərindən, layihə müzakirələrindən və ya sahə yazılarından mətn qaralaması hazırlamaq üçün sınaqdan keçirə bilər. Bununla belə, transkriptin dəqiqliyini yoxlamaq lazımdır; xüsusilə layihə qərarları, ölçülər və texniki terminlər barədə avtomatik nəticəni təsdiqlənmiş protokol kimi qəbul etməyin.

Tələblər və fayl seçimi

Nümunədə Python müştərisi və gemini-3.8-flash model identifikatorundan istifadə olunur. Python kodu google.genai paketini idxal edərək müştəri yaradır; sonra audio faylı yükləyir və faylı mətn təlimatı ilə birlikdə generate_content sorğusuna əlavə edir. Mənbədə qiymət, hesab növü və ya tələb olunan quraşdırma addımları göstərilmədiyindən bunlarla bağlı heç bir şərt irəli sürmürük.

Audio məlumatını iki yolla göndərə bilərsiniz: onu birbaşa sorğuya əlavə edə və ya sorğudan əvvəl fayl kimi yükləyə bilərsiniz. Fayl, mətn sorğusu və sistem təlimatları daxil olmaqla ümumi sorğu ölçüsü 20 MB-dan böyükdürsə, sənədlərdə Files API-dən istifadə tövsiyə olunur. Aşağıdakı qısa Python nümunəsində yükləmə üsulu və fayla bağlı təlimat göstərilir:

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)

Nümunədəki path/to/sample.mp3 dəyərini istifadə edəcəyiniz audio faylın yolu ilə əvəz edin. Modeldən gözlənilən işi contents daxilindəki mətn müəyyən edir. Kod cavabı mətn kimi çap edir; buna görə nəticənin hər dəfə müəyyən JSON sxeminə uyğun olacağını fərz etməyin.

Audio təhlili: addım-addım

1. Tapşırığı dəqiqləşdirin. Əvvəlcə yalnız bir nəticə növü istəyin: qısa xülasə, transkripsiya, tərcümə və ya audionun təsviri. Eyni yazıdan bir neçə nəticə alacaqsınızsa, gözləntiləri təlimatda ayrı-ayrı bəndlərlə qeyd edin.

Bu audio yazını türkcə xülasələşdir. Əsas mövzuya və danışanların qeyd etdiyi layihə qərarlarına diqqət yetir. Eşidilməyən və ya qeyri-müəyyən məlumatları təxmin etmə; onları qeyri-müəyyən kimi göstər.

Bu təlimat iclas və ya layihə müzakirəsi yazısından ilkin xülasə almaq üçün nümunə sorğudur. Bu, mənbədə hazır memarlıq sorğusu kimi təqdim edilmir; sənədləşdirilmiş audio xülasələşdirmə imkanına uyğun hazırlanmış nümunədir.

1. Audio faylı yükləyin və sorğuya əlavə edin. Yuxarıdakı kodda fayl client.files.upload ilə yüklənir, sonra yüklənmiş fayl və təlimat generate_content çağırışına ötürülür. Faylın ümumi sorğu ölçüsünü yoxlayın; 20 MB həddi yalnız faylın ölçüsünə deyil, mənbədə izah olunan ümumi sorğuya aiddir. Sənədlərdə daha kiçik sorğular üçün audio məlumatının birbaşa sorğu daxilində göndərilə biləcəyi də bildirilir.

2. Transkripsiya üçün çıxış gözləntilərini qeyd edin. Yazını mətnə çevirərkən dil, tərcümə və hissələrə bölmə kimi gözləntiləri aydın şəkildə bildirin. Sənədlərdəki nümunə hər hissə üçün MM:SS formatında vaxt nişanı, əsas dil, ingilis dilində olmayan hissələr üçün ingiliscə tərcümə və danışanın emosiyasını istəyir. Nümunədə emosiya seçimləri Happy, Sad, Angry və Neutral ilə məhdudlaşdırılıb.

Audio yazını ətraflı şəkildə mətnə çevir. Hər hissə üçün MM:SS formatında vaxt nişanını və danışılan dili qeyd et. Danışıq ingiliscə deyilsə, ingiliscə tərcüməsini əlavə et. Hər hissə üçün dominant emosiyanı yalnız aşağıdakı seçimlərdən biri ilə göstər: Happy, Sad, Angry, Neutral. Əvvəldə yazının qısa xülasəsini ver.

Bu sorğu sənədlərdə izah olunan transkripsiya nümunəsinin iş axınını memarlıq iclası kimi ümumi bir yazı üçün yenidən ifadə edir. Audio türkcədirsə, mənbə təlimatındakı ingiliscəyə tərcümə tələbi saxlanılır; hədəf dilin dəyişdirilməsi nümunədəki ilə eyni nəticəyə zəmanət vermir.

1. Nəticəni strukturlaşdırılmış formada istəyin. Rəsmi nümunədə cavab formatı application/json olaraq təyin edilir və sxem müəyyənləşdirilir. Sxemdə summary adlı xülasə sahəsi və segments adlı hissələr massivi var; hissələrdə vaxt nişanı, məzmun, dil, dil kodu, tərcümə və emosiya kimi sahələr müəyyən edilir. Bu, tətbiq tərəfində konkret sahələr üzrə işləməyi mümkün edə bilər. Ancaq nümunə sxemində bəzi sahələr məcburi göstərildiyi halda translation sahəsi məcburi sahələr siyahısında yoxdur; öz tətbiqinizdə gözlənilən sahələri yoxlayın.

2. Nəticəni yazı ilə tutuşdurub yoxlayın. Vaxt nişanlarını, xüsusi adları, rəqəm və ölçüləri orijinal audio ilə müqayisə edin. Bir neçə dildən istifadə olunan yazılarda dil və tərcümə sahələrini ayrıca nəzərdən keçirin. Emosiya etiketi də avtomatik təsnifatdır; iclas protokolunda və ya müştəri rəyində onu birbaşa obyektiv fakt kimi istifadə etmək olmaz.

Tez-tez edilən səhvlər və məhdudiyyətlər

Ən vacib məhdudiyyət Gemini API-nin real vaxt transkripsiyasını dəstəkləməməsidir. Canlı nitq və video qarşılıqlı əlaqələri üçün sənədlərdə Live API-yə, real vaxt transkripsiyasını dəstəkləyən xüsusi nitqdən mətnə modellər üçün isə Google Cloud Speech-to-Text API-yə yönləndirilir. Buna görə iclas zamanı canlı subtitrlər yaratmaqla sonradan audio faylı emal etmək eyni iş axını deyil.

Digər bir səhv qısa təlimatın ətraflı və səliqəli nəticə verəcəyini düşünməkdir. Vaxt nişanı, xülasə, dil, tərcümə və ya emosiya lazımdırsa, bunları sorğuda açıq şəkildə təsvir edin; tətbiq cavabı sahələrə ayıracaqsa, mənbədə göstərilən strukturlaşdırılmış çıxış yanaşmasını nəzərdən keçirin. Həmçinin, Describe this audio clip kimi ümumi sorğu yalnız audionun təsvirini istəyir; transkript və ya hissələrin vaxt nişanlarını tələb etmir.

Fayl yükləmə üsulunu seçərkən ümumi sorğunun ölçüsünü nəzərə alın. Ümumi sorğu 20 MB-ı keçdikdə Files API-dən istifadə edilməsi rəsmi sənəddə açıq şəkildə göstərilib. Mənbələrdə qiymət, faylların saxlanma müddəti və ya konkret audio formatları üzrə ətraflı uyğunluq siyahısı verilmədiyi üçün bu mövzularda fərziyyə yürütməyin; istifadəyə başlamazdan əvvəl aktual API sənədlərini yoxlayın.

Memarlıq, interyer və archviz iş axınlarına təsiri

Memarlar və interyer dizaynerləri iclas yazılarını xülasələşdirməyi, sahə qeydlərini mətnə çevirməyi və ya vizuallaşdırma müzakirələrində səslənən rəyləri hissələrə ayırmağı sınaqdan keçirə bilərlər. Vaxt nişanları uzun yazıda müvafiq hissəyə qayıtmağı asanlaşdıra bilər. Çoxdilli görüşlərdə tərcümə sahəsi də ilkin iş üçün faydalı ola bilər.

Bunlar mənbədə hazır memarlıq tətbiqləri kimi təqdim edilmir; API-nin xülasələşdirmə, transkripsiya, tərcümə və vaxt nişanı imkanlarından irəli gələn mümkün iş axınlarıdır. Texniki terminlər, məkan adları, ölçülər və müştəri qərarları mütləq dinlənərək yoxlanmalıdır. Komandalar API istifadəsi ilə bağlı xərcləri və məlumatların emalı şərtlərini də öz hesabları üçün araşdırmalıdır; mənbə səhifəsində bu barədə ətraflı məlumat yoxdur.

Növbəti addımlar

İlk sınaq üçün qısa və yalnız bir məqsədi olan yazı seçin. Əvvəlcə xülasə və ya transkript alın, nəticəni yazını dinləyərək yoxlayın; daha sonra vaxt nişanı, tərcümə və ya JSON sahələri kimi əlavə tələbləri bir-bir artırın. Beləliklə, problemin audio girişindən, təlimatdan, yoxsa gözlənilən çıxış formatından qaynaqlandığını müəyyənləşdirmək asanlaşar.

Canlı transkripsiya tələb olunursa, Gemini API ilə fayl emalı nümunəsini real vaxt həlli kimi istifadə etməyin. Sənədlərdə göstərilən Live API və Google Cloud Speech-to-Text seçimlərini ayrıca araşdırın. Buradakı nümunə fayl əsaslı audio təhlili və mətn cavabı yaratmaq üçündür.

Mənbə və lisenziya

Bu bələdçi Google-un Gemini API audio anlama sənədlərindəki nümunələr əsasında Azərbaycan dilinə uyğunlaşdırılıb. Mənbə CC BY 4.0 lisenziyalıdır. Kod nümunəsi və istifadə məlumatları bu açıq lisenziyalı bələdçidəki izahlara əsaslanır; memarlıq yönümlü sorğular redaksiya tərəfindən hazırlanıb.