Gemini API ilə tikinti sahəsi və interyer səs yazılarını təhlil etmək üzrə bələdçi

Bu bələdçidə nə öyrənəcəksiniz?

Tikinti sahəsinə səfər, interyerə baxış və ya layihə iclası zamanı qeydə alınan səsləri sonradan axtarıla bilən qeydlərə çevirmək olar. Gemini API səs məzmununu təsvir etmək, xülasələmək və səslə bağlı suallara cavab vermək kimi işlərdə istifadə oluna bilər. Sənədlərdə nitqin mətnə çevrilməsi, tərcümə, emosiyanın müəyyənləşdirilməsi və səsin konkret hissələrinə vaxt nişanları əlavə edilməsi ssenariləri də yer alır.

Bu bələdçidə səs faylını API-yə ötürmək və memarlıq iş axınına uyğun təlimatlar yazmaq addımları nəzərdən keçirilir. Nümunələr sahədə qeydə alınmış müşahidəni, material qiymətləndirməsini və ya layihə iclasının yazısını tərtib etmək üçün hazırlanıb. Yaradılan nəticəni sahə hesabatı və ya texniki qərar kimi deyil, yazıya qayıdıb yoxlanılacaq ilkin layihə kimi qiymətləndirmək lazımdır.

Tələblər

İş axını üçün Gemini API-yə giriş, API açarı və səs faylı lazımdır. Google-ın nümunələrində Python üçün google-genai müştəri kitabxanasından istifadə olunur; kitabxana from google import genai vasitəsilə idxal edilir və genai.Client() ilə yaradılır. Mənbədə müştəri kitabxanasının konkret versiyası göstərilmədiyinə görə burada versiya nömrəsi verilmir.

Sənədlərdə səs faylını yükləyib generate_content sorğusunda istifadə etmək və ya səs məlumatını birbaşa sorğuya əlavə etmək göstərilir. Sorğunun ümumi həcmi — fayl, mətn sorğusu və sistem təlimatları daxil olmaqla — 20 MB-dan böyükdürsə, Files API-dən istifadə edilməlidir. Bu bələdçidəki mətn nümunələri API-yə ötürüləcək təlimatlardır; faylın yüklənməsi və cavabın alınması tətbiqin API çağırışı ilə həyata keçirilir.

Bir məhdudiyyəti də əvvəlcədən nəzərə alın: Gemini API real vaxt rejimində transkripsiyanı dəstəkləmir. Buna görə aşağıdakı addımlar canlı iclası dərhal mətnə çevirmək üçün deyil, mövcud səs faylını emal etmək üçündür.

Səs təhlili: addım-addım

1. Yazını və məqsədi müəyyənləşdirin

Əvvəlcə hansı suala cavab axtardığınızı dəqiqləşdirin. Məsələn, məqsəd məkanda eşidilən səsləri sadalamaq, iclasda qəbul edilən qərarları çıxarmaq və ya yazıdakı konkret danışıq hissəsini tapmaq ola bilər. Təlimatda yalnız səs yazısında eşidilən məlumatlara əsaslanılmasını istəmək nəticəni yoxlamağı asanlaşdırır.

Yazı faylını API-yə Files API vasitəsilə yükləyin və ya uyğun olduqda sorğuya əlavə edin. Google-ın nümunəsində model adı gemini-3.8-flash kimi göstərilir. Sonra səs faylını və aşağıdakı kimi məqsədinizə uyğun hazırladığınız təlimatı generate_content çağırışına ötürün.

Bu səs yazısını memarlıq sahə müşahidəsi kimi təhlil et. Yalnız yazıda eşidilən məlumatlara əsaslanaraq məkanı, eşidilən səsləri və danışanların qeyd etdiyi problemləri qısa maddələrlə xülasə et. Eşidilməyən və ya qeyri-müəyyən məlumatları təxmin etmə; qeyri-müəyyən olduqlarını açıq şəkildə bildir.

Bu təlimat yazını birbaşa texniki hesabat kimi təqdim etməkdənsə, ilkin qeydlər siyahısı istəmək üçün hazırlanıb. Nəticədə qeyri-müəyyən kimi işarələnən məqamları yazını yenidən dinləyərək ayrıca yoxlayın.

2. Transkripsiya və ya qısa xülasə istəyin

İclas yazısından qərarları və görüləcək işləri ayırmaq üçün transkripsiya və ya xülasə istəmək olar. Gemini API səs məzmununu xülasələyə və səslə bağlı suallara cavab verə bilir. Təlimatı komandanın növbəti mərhələdə istifadə edəcəyi məlumat növünə uyğun olaraq dəqiqləşdirin.

Bu layihə iclasının yazısını xülasə et. Qəbul edilmiş qərarları, danışanların açıq şəkildə qeyd etdiyi görüləcək işləri və cavabı dəqiqləşməyən sualları ayrı başlıqlar altında yaz. Yazıda olmayan şəxs, tarix, ölçü və ya qərar əlavə etmə.

Belə bir nəticə iclas qeydlərinin ilkin layihəsi kimi faydalı ola bilər. Bununla belə, yazıda keçən layihə terminlərini və məsul şəxsləri orijinal səslə müqayisə edin; yanlış eşidilən ifadə qərarın mənasını dəyişə bilər.

3. Vaxt nişanı və strukturlaşdırılmış nəticə istəyin

Yazının konkret hissələrini tapmaq lazım olduqda, hər hissə üçün vaxt nişanı istəyə bilərsiniz. Google-ın nümunə tətbiqində səs transkripsiyası hissələrə bölünür və vaxt nişanı, məzmun, dil və emosiya kimi sahələri əhatə edən strukturlaşdırılmış nəticədən istifadə olunur. Nümunədə cavab formatı JSON olaraq təyin edilir və sahələr sxemlə müəyyənləşdirilir.

Səs yazısını mənalı hissələrə böl. Hər hissə üçün MM:SS formatında vaxt nişanını, eşidilən məzmunun transkripsiyasını və hissənin dilini qeyd et. Həmçinin hissənin qısa xülasəsini əlavə et. Vaxt nişanından əmin deyilsənsə, bunu açıq yaz; eşidilməyən sözləri tamamlama.

Tətbiq tərəfində strukturlaşdırılmış nəticə tələb olunursa, API sənədlərindəki nümunədə olduğu kimi cavab formatı və sahələr sxemlə müəyyənləşdirilə bilər. Nümunə sxemdə summary sahəsi ümumi xülasəni, segments massivi isə hissə qeydlərini daşıyır; hissə obyektində vaxt nişanı və məzmun kimi sahələr mövcuddur. Bu yanaşma nəticəni sonradan yoxlamağı və ya tətbiq daxilində emal etməyi asanlaşdıra bilər, lakin sxem transkripsiyanın dəqiqliyinə öz-özlüyündə zəmanət vermir.

4. Səs məzmunu ilə bağlı suallar verin

Faylın hamısını yenidən xülasələtmək əvəzinə, yazıdakı konkret mövzuya yönəlmiş sual verə bilərsiniz. Məsələn, interyerə baxış zamanı danışanların işıqlandırma, akustika və ya səthlər barədə nə dediklərini çıxarmaq istəyə bilərsiniz. Bu mövzuların yazıda keçdiyini əvvəlcədən fərz etməyin; təlimatda yalnız eşidilən hissələrin çatdırılmasını qeyd edin.

Bu interyerə baxış yazısında işıqlandırma, akustika və səth materialları haqqında deyilənləri ayrı-ayrılıqda sadala. Mövzu yazıda heç keçmirsə, bunu bildir. Hər bənd üçün müvafiq hissənin vaxt nişanını ver və yazıda olmayan texniki tövsiyələr əlavə etmə.

Gemini API səsin konkret hissələrini təhlil edib vaxt nişanı təqdim edən istifadə ssenarilərini dəstəkləyir. Nəticəni yoxlayarkən hər bəndi uyğun vaxt aralığından dinləyin; vaxt nişanı yazının düzgün şərh edildiyinə təkbaşına sübut deyil.

Tez-tez rast gəlinən səhvlər

• Qeyri-müəyyən sorğu yazmaq: “Yazını təhlil et” kimi ümumi təlimat hansı məlumatın lazım olduğunu aydın göstərmir. Transkripsiya, xülasə, görüləcək işlər və ya konkret mövzu arasından məqsəd seçin.

• Təxminləri fakt kimi qəbul etmək: Texniki ölçü, material adı və ya qərar yazıda aydın deyilsə, modeldən bunları tamamlamamasını istəyin və nəticəni dinləyərək yoxlayın.

• Sorğunun həcmini nəzərdən qaçırmaq: Sorğunun ümumi həcmi 20 MB-ı keçirsə, Files API-dən istifadə edilməlidir. Həcmə təkcə səs faylını deyil, sorğudakı digər məzmunları da daxil edin.

• Canlı transkripsiya gözləmək: Gemini API-nin səs sənədlərində real vaxt rejimində transkripsiyanın dəstəklənmədiyi bildirilir. Bu iş axınından mövcud fayllar üçün istifadə edin.

• Strukturlaşdırılmış nəticəni təsdiqlənmiş qeyd hesab etmək: JSON sxemi cavabın quruluşunu müəyyənləşdirir. Eşidilən sözlərin, dilin və vaxt nişanlarının dəqiqliyini ayrıca yoxlayın.

Növbəti addımlar

Əvvəlcə qısa və məzmunu məlum olan yazı ilə sınaq aparın. Eyni səs üçün xülasə, transkripsiya və vaxt nişanlı hissə sorğularını ayrı-ayrılıqda yoxlayaraq komanda üçün ən faydalı nəticəni müəyyənləşdirin. Nəticələr layihə qeydlərinə köçürüləcəksə, onları səs yazısı ilə müqayisə etməyi iş axınına daxil edin.

Tətbiq hazırlayan komandalar sənədlərdəki Python nümunəsində Files API ilə səsin yüklənib generate_content çağırışının edilməsinə baxa bilərlər. API açarından istifadə edilən REST nümunəsində GEMINI_API_KEY dəyişəni də göstərilir. Səs məlumatını ötürmə üsulunu seçərkən sorğunun ümumi həcmini nəzərə alın; ani transkripsiya lazımdırsa, Gemini API-nin səs bələdçisinin bu istifadə ssenarisi üçün dəstək vermədiyini unutmayın.

Mənbə və lisenziya

Bu bələdçi Google-ın Gemini API səs anlama sənədlərinə və video yaradılması səhifəsindəki Gemini Omni Flash məlumatlarına əsaslanır. Məzmun CC BY 4.0 lisenziyalı mənbələrdən Azərbaycan dilinə uyğunlaşdırılıb, memarlıq, interyer və archviz iş axınları üçün yenidən işlənib.