Videoanalyse mit der Gemini API: Schritt-für-Schritt-Leitfaden für Architektur

Was Sie in diesem Leitfaden erfahren

Mit der Gemini API können Sie nicht nur ein Video zusammenfassen lassen, sondern auch Fragen zu seinem Inhalt stellen, bestimmte Szenen beschreiben lassen und Informationen zu Zeitstempeln abfragen. Diese Funktionen eignen sich etwa zur Prüfung von Architekturpräsentationen, Innenraumtouren, Baustellenaufnahmen oder Videos, die den Entwurfsprozess zeigen. Die folgenden Schritte konzentrieren sich darauf, das Video passend als Eingabe bereitzustellen und die Frage klar zu formulieren.

Die Beispiel-Prompts wurden speziell für Arbeitsabläufe in Architektur und Innenraumgestaltung erstellt. Der grundlegende Ansatz in der Dokumentation besteht darin, die Videodatei zusammen mit einer textlichen Anweisung in einer Anfrage an das Modell zu übermitteln.

Voraussetzungen und Auswahl der Eingabe

Sie benötigen Zugriff auf die Gemini API, eine Arbeitsumgebung mit eingerichtetem API-Client und ein Video zur Analyse. Der offizielle Leitfaden enthält Beispiele für Python, JavaScript, Go und REST. Das Python-Beispiel importiert das Modul genai aus dem Paket google. Da keine bestimmte SDK-Version genannt wird, geben wir hier keine Versionsnummer an.

Wählen Sie die Eingabemethode nach Dateigröße und Verwendungszweck aus:

• Files API: Empfohlen für große Dateien, lange Videos und Inhalte, die wiederverwendet werden sollen. Die Tabelle im Leitfaden nennt eine Obergrenze von 20 GB bei kostenpflichtiger Nutzung und 2 GB bei kostenloser Nutzung. Warten Sie, bis die hochgeladene Datei verarbeitet wurde, und verwenden Sie anschließend die zurückgegebene Dateireferenz in der Inhaltsanfrage.

• Inline-Daten: Für kleine Videos, die nur einmal verwendet werden, geeignet. In verschiedenen Abschnitten des Leitfadens werden unterschiedliche Grenzen genannt: In der Tabelle sind es weniger als 100 MB, in der Anwendungsbeschreibung weniger als 20 MB für die gesamte Anfrage. Wenn Sie Inline-Daten verwenden, sollten Sie sich daher an der vorsichtigeren Grenze von insgesamt 20 MB pro Anfrage orientieren.

• YouTube-URL: Öffentliche Videos können direkt als Eingabe übermittelt werden. Die Funktion befindet sich in der Vorschauphase; laut Dokumentation können sich Preise und Ratenlimits ändern. Im kostenlosen Tarif können nicht mehr als 8 Stunden YouTube-Videos pro Tag hochgeladen werden. Für den kostenpflichtigen Tarif wird keine zeitbasierte Grenze genannt.

Die Dokumentation führt auch die Speicherung über Cloud Storage auf: Die Obergrenze liegt bei 2 GB pro Datei, für den Speicherplatz wird keine Grenze genannt. Diese Methode wird als Option für dauerhafte und wiederverwendbare Dateien angeboten.

Videoanalyse Schritt für Schritt

1. Legen Sie Video und Fragestellung fest. Klären Sie zunächst, ob Sie das gesamte Video zusammenfassen oder einen bestimmten Moment finden möchten. Bei einer Innenraumtour etwa die Stelle zu suchen, an der der Rundgang beginnt, ist eine andere Aufgabe als eine allgemeine Zusammenfassung anzufordern.

2. Wählen Sie die passende Eingabemethode. Für einen kleinen, kurzen Clip, der nur einmal verwendet wird, kommen Inline-Daten infrage. Übersteigt die gesamte Anfrage 20 MB, ist das Video lang oder soll es wiederverwendet werden, ist die Files API laut Leitfaden der bevorzugte Weg. Bei der YouTube-Option muss das Video öffentlich sein.

3. Fügen Sie die Datei zur Anfrage hinzu. Im offiziellen Python-Beispiel wird die Datei mit client.files.upload(...) hochgeladen. Anschließend werden das zurückgegebene Dateiobjekt und die Textanweisung gemeinsam an den Aufruf client.models.generate_content(...) übergeben. Zum Ablauf im Beispiel gehört auch, auf die Verarbeitung der Datei zu warten. Bei YouTube-Eingaben wird der Link als Videodatei zur Anfrage hinzugefügt.

4. Formulieren Sie eine konkrete, überprüfbare Aufgabe. Statt einer weit gefassten Anweisung wie „Analysiere das Video“ sollten Sie die gewünschten Informationen und das Antwortformat beschreiben. Erst eine allgemeine Zusammenfassung und anschließend eine Frage zu einem bestimmten Element oder Zeitstempel erleichtern die Bewertung der Ergebnisse.

Der folgende Prompt zielt darauf ab, allgemeine Informationen aus einem kurzen Architekturvorstellungsvideo zu gewinnen:

Bu mimari proje videosunu kısa bir özetle anlat. Görünen mekânları ve videoda açıkça seçilebilen tasarım özelliklerini ayrı maddelerde belirt. Görüntüde doğrulanamayan bilgileri tahmin etme.

Dieser Prompt nutzt die Fähigkeit, Videos zu beschreiben und Informationen aus ihrem Inhalt zu extrahieren. Er setzt Grenzen, damit das Modell keine Details wie Projektnamen, Materialien oder Maße erfindet, die im Bild nicht zu erkennen sind.

Um bei einer Baustellenaufnahme oder einer Innenraumtour den Moment zu finden, in dem ein bestimmtes Ereignis stattfindet, stellen Sie eine gezieltere Frage:

Videoda giriş mekânından ana yaşam alanına geçişin görüldüğü anı bul. Bu geçişin yaklaşık zaman damgasını ver ve görüntüde hangi mekânsal değişikliğin seçildiğini kısaca açıkla. Emin olmadığın bir zaman damgasını kesinmiş gibi sunma.

Laut Leitfaden lassen sich bestimmte Zeitstempel im Video abfragen. Beschreiben Sie das gesuchte Ereignis deshalb möglichst konkret; das ist hilfreicher als eine vage Aufforderung wie „Finde die wichtigen Momente“.

Für die Vorbereitung eines Präsentationsvideos zur Entwurfsprüfung können Sie diese Frage verwenden:

Bu videoda görülen mekânsal düzenlemeleri sırayla incele. Dolaşım, gün ışığı ve yüzey malzemeleri hakkında yalnızca görüntüden desteklenebilen gözlemleri yaz; her gözlemi ilgili zaman damgasıyla eşleştir. Görünmeyen teknik özellikleri çıkarım olarak belirtme.

Dieser Prompt verwendet Erschließung, Tageslicht und Oberflächenmaterialien als Checkliste. Zudem weist er das Modell an, technische Angaben, die sich nicht anhand des Bildes bestätigen lassen, nicht als gesicherte Tatsachen darzustellen. Betrachten Sie die Ausgabe als erste Prüfnotiz und nicht als Grundlage für eine Projektentscheidung.

Häufige Fehler und Auswahl des Verarbeitungsmodus

Ein häufiges Problem ist die Wahl einer Eingabemethode, die nicht zur Größe oder Länge des Videos passt. Bei einer Anfrage mit insgesamt mehr als 20 MB, bei langen Videos oder wenn derselbe Inhalt in weiteren Anfragen verwendet wird, empfiehlt der Leitfaden die Files API. Da die Dokumentation an verschiedenen Stellen unterschiedliche Grenzwerte für Inline-Daten nennt, sollten Sie diese Methode nicht für große Dateien erzwingen.

Ein weiterer Punkt ist der Verarbeitungsmodus. Die standardmäßige statische Methode extrahiert in einem festen Rhythmus ein Bild pro Sekunde aus dem Video. Sie wird für kurze Clips, allgemeine Zusammenfassungen des gesamten Videos, latenzempfindliche Aufgaben oder eine frameweise Prüfung des gesamten Clips empfohlen. Die agentische Verarbeitung navigiert dynamisch durch die Zeitleiste. Sie kann bei langen Videos eingesetzt werden, wenn ein bestimmtes Ereignis gesucht oder eine einzelne Information in einer langen Aufnahme gefunden werden soll. Laut Leitfaden eignet sie sich für lange Inhalte von mehr als 5–10 Minuten und gezielte Suchen.

Der agentische Modus ist für Gemini 4 Argon, 3.8 Flash, 3.6 Flash und 3.5 Flash Lite aufgeführt. Google zufolge kann dieser Modus bei langen Inhalten bis zu 88 Prozent weniger Token verbrauchen und eine Qualitätssteigerung von etwa 7 Prozent ermöglichen. Das ist eine Angabe des Anbieters und keine Garantie für jedes Video. Eine weitere Fehlerquelle sind Prompts, die Maße, Materialtypen oder Projektangaben, die sich anhand des Bildes nicht eindeutig erkennen lassen, als bestätigte Fakten voraussetzen.

Nächste Schritte und Auswirkungen auf den Architektur-Workflow

Führen Sie den ersten Test mit einem kurzen, nicht öffentlichen Arbeitsvideo und der Bitte um eine allgemeine Zusammenfassung durch. Stellen Sie danach eine Frage zu einer bestimmten Szene. Prüfen Sie bei langen Videos die Option der agentischen Verarbeitung und nutzen Sie bei Dateien, die wiederverwendet werden sollen, die Files API. Berücksichtigen Sie, dass die YouTube-URL-Funktion eine Vorschau ist und sich Preise sowie Ratenlimits ändern können. Die Videogenerierung ist ein anderer Anwendungsbereich: Der aktuelle Video-Leitfaden für die Gemini API nennt Gemini Omni Flash für Generierung und dialogbasierte Bearbeitung; Veo 3.1 Preview wurde laut Angabe am 22. Oktober 2026 in der API eingestellt.

Der konkrete Nutzen für Architekturbüros und Visualisierungsteams liegt vor allem darin, aus Projektführungen oder Baustellenvideos eine erste Zusammenfassung und durchsuchbare Beobachtungsnotizen zu gewinnen. Das bedeutet nicht, dass eine Entwurfsentscheidung oder ein Maß damit bestätigt ist; die Ergebnisse müssen mit dem Bildmaterial abgeglichen werden. Der Leitfaden nennt weder Anforderungen an lokale Hardware noch API-Preise. Prüfen Sie daher bei der Planung des Workflows zusätzlich Dateigröße, Upload-Prozess sowie Zugangs- und Lizenzbedingungen; gehen Sie nicht davon aus, dass eine lokale GPU erforderlich ist.

Quelle und Lizenz

Dieser Leitfaden wurde auf Grundlage der Google-Leitfäden zum Videoverständnis und zur Videogenerierung mit der Gemini API ins Türkische übertragen und angepasst. Der Leitfaden zum Videoverständnis steht unter der Lizenz CC BY 4.0. Die Beispiel-Prompts wurden eigens für diesen Leitfaden geschrieben; Codebeispiele wurden nicht aus dem Ausgangstext übernommen.