فهم الصوت  |  Gemini API  |  Google AI for Developers
التخطّي إلى المحتوى الرئيسي
/
English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Polski
Português – Brasil
Shqip
Tiếng Việt
Türkçe
Русский
עברית
العربيّة
فارسی
हिंदी
বাংলা
ภาษาไทย
中文 – 简体
中文 – 繁體
日本語
한국어
الحصول على مفتاح واجهة برمجة التطبيقات
كتاب الطبخ
منتدى
تسجيل الدخول
المستندات
مرجع واجهة برمجة التطبيقات
Gemini API
المستندات
مرجع واجهة برمجة التطبيقات
الحصول على مفتاح واجهة برمجة التطبيقات
كتاب الطبخ
منتدى
البدء
نظرة عامة
البدء
مفاتيح واجهة برمجة التطبيقات
المكتبات
الأسعار
واجهة برمجة التطبيقات Interactions API
إعداد وكيل البرمجة
الطرُز
كل الطرز
الحالي: Gemini 3.5
Nano Banana
Veo
Gemini Omni Flash
‫Lyria 3
Lyria RealTime
Imagen
نص إلى كلام
الفيديوهات المباشرة
الترجمة المباشرة
التضمينات
روبوتيات
الإمكانات الأساسية
نص
صورة
إنشاء الصور 🍌
فهم الصور
فيديو
نظرة عامة على الفيديو
فهم الفيديو
المستندات
الكلام والصوت
إنشاء الكلام
فهم الصوت
جارٍ التفكير
جارٍ التفكير
توقيعات الأفكار
النتائج المنظَّمة
استدعاء الدالة
سياق طويل
الوكلاء
نظرة عامة
التشغيل السريع
Antigravity Agent
إنشاء وكلاء مُدارين
البيئات
Deep Research Agent
الأدوات
نظرة عامة
Google Search
Google Maps
تنفيذ الرمز البرمجي
سياق عنوان URL
استخدام الكمبيوتر
البحث عن الملفات
الجمع بين "الأدوات" و"استدعاء الدالة"
واجهة برمجة التطبيقات للبث المباشر
نظرة عامة
البدء
بدء استخدام حزمة تطوير البرامج (SDK) للذكاء الاصطناعي التوليدي
بدء استخدام WebSockets غير المعالجة
الإمكانات
الترجمة المباشرة
استخدام الأداة
إدارة الجلسة
الرموز المميّزة المؤقتة
أفضل الممارسات
التحسين
نظرة عامة
Batch API
الردّ التلقائي على الويب
الاستنتاج المرن
الاستدلال حسب الأولوية
التخزين المؤقت للسياق
الأدلة
بث
التنفيذ في الخلفية
إدخال الملف
أساليب الإدخال
واجهة برمجة تطبيقات الملفات
التوافق مع OpenAI
درجة دقة الوسائط
احتساب الرموز المميّزة
هندسة الطلبات
السجلّات ومجموعات البيانات
بدء استخدام السجلات
تسجيل البيانات ومشاركتها
دفاع
إعدادات الأمن الشخصي
إرشادات السلامة
الأطر
LangChain وLangGraph
CrewAI
LlamaIndex
Vercel AI SDK
زماني
الموارد
ملاحظات حول الإصدار
الميزات التي سيتم إيقافها نهائيًا
النقل
نقل البيانات إلى حزمة تطوير برامج الذكاء الاصطناعي التوليدي
نقل البيانات إلى Interactions API
التغييرات غير المتوافقة في التفاعلات (مايو 2026)
حدود المعدل
معلومات الفوترة
تحديد المشاكل في واجهة برمجة التطبيقات وحلّها
الحالة
عمليات الدمج مع الشركاء والمكتبات
Google AI Studio
التشغيل السريع
البرمجة الوصفية في "وضع الإنشاء"
تطوير تطبيقات الحزمة الكاملة
إنشاء تطبيقات Android
نشر تطبيقك
الوكلاء في مساحة تجربة الذكاء الاصطناعي في Studio
تجربة LearnLM
تحديد المشاكل وحلّها
إمكانية الوصول لمستخدمي Workspace
Google Cloud Platform
Gemini Enterprise Agent Platform Gemini API
مصادقة OAuth
السياسات
بنود الخدمة
المناطق المتاحة
رصد إساءة الاستخدام
الملاحظات في "تعليقات Google"
أصبحت Interactions API متاحة الآن للجميع. ننصحك باستخدام واجهة برمجة التطبيقات هذه للوصول إلى جميع أحدث الميزات والنماذج.
Google uses AI technology to translate content into your preferred language. AI translations can contain errors.
الصفحة الرئيسية
Gemini API
المستندات
إرسال ملاحظات
فهم الصوت
ملاحظة: يغطي هذا الإصدار من الصفحة واجهة برمجة التطبيقات Interactions API. يمكنك استخدام زر التبديل في هذه الصفحة للانتقال إلى إصدار صفحة generateContent API.
يمكن لـ Gemini تحليل الإدخال الصوتي وإنشاء ردود نصية.
Python
from google import genai
import base64
client = genai.Client()
uploaded_file = client.files.upload(file="path/to/sample.mp3")
interaction = client.interactions.create(
model="gemini-3.5-flash",
input=[
{"type": "text", "text": "Describe this audio clip"},
{
"type": "audio",
"uri": uploaded_file.uri,
"mime_type": uploaded_file.mime_type
}
]
)
print(interaction.output_text)
JavaScript
import { GoogleGenAI } from "@google/genai";
const client = new GoogleGenAI({});
const uploadedFile = await client.files.upload({
file: "path/to/sample.mp3",
config: { mime_type: "audio/mp3" }
});
const interaction = await client.interactions.create({
model: "gemini-3.5-flash",
input: [
{type: "text", text: "Describe this audio clip"},
{
type: "audio",
uri: uploadedFile.uri,
mime_type: uploadedFile.mimeType
}
]
});
console.log(interaction.output_text);
REST
# First upload the file, then use the URI:
curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
"model": "gemini-3.5-flash",
"input": [
{"type": "text", "text": "Describe this audio clip"},
{
"type": "audio",
"uri": "YOUR_FILE_URI",
"mime_type": "audio/mp3"
}
]
}'
نظرة عامة
يمكن لـ Gemini تحليل وفهم الإدخال الصوتي وإنشاء ردود نصية، ما يتيح حالات استخدام مثل:
وصف المحتوى الصوتي أو تلخيصه أو الإجابة عن أسئلة بشأنه
تحويل الصوت إلى نص وترجمته
تمييز أصوات المتحدّثِين (تحديد هوية المتحدّثِين المختلفين)
رصد المشاعر في الكلام والموسيقى
تحليل شرائح محدّدة باستخدام الطوابع الزمنية
للتفاعلات الصوتية والمرئية في الوقت الفعلي، يمكنك الاطّلاع على Live API.
بالنسبة إلى نماذج تحويل الكلام إلى نص المخصّصة التي تتيح تحويل الكلام إلى نص في الوقت الفعلي، استخدِم Google Cloud Speech-to-Text API.
تحويل الكلام إلى نص
يوضّح هذا المثال كيفية تحويل الكلام إلى نص وترجمته وتلخيصه مع الطوابع الزمنية وتحديد المتحدثين ورصد المشاعر باستخدام النتائج المنظَّمة.
Python
from google import genai
client = genai.Client()
YOUTUBE_URL = "https://www.youtube.com/watch?v=ku-N-eS1lgM"
prompt = """
Process the audio file and generate a detailed transcription.
Requirements:
1. Identify distinct speakers (e.g., Speaker 1, Speaker 2).
2. Provide accurate timestamps for each segment (Format: MM:SS).
3. Detect the primary language of each segment.
4. If not English, provide the English translation.
5. Identify the primary emotion: Happy, Sad, Angry, or Neutral.
6. Provide a brief summary at the beginning.
"""
response_schema = {
"type": "object",
"properties": {
"summary": {"type": "string"},
"segments": {
"type": "array",
"items": {
"type": "object",
"properties": {
"speaker": {"type": "string"},
"timestamp": {"type": "string"},
"content": {"type": "string"},
"language": {"type": "string"},
"emotion": {
"type": "string",
"enum": ["happy", "sad", "angry", "neutral"]
}
},
"required": ["speaker", "timestamp", "content", "emotion"]
}
}
},
"required": ["summary", "segments"]
}
interaction = client.interactions.create(
model="gemini-3.5-flash",
input=[
{"type": "video", "uri": YOUTUBE_URL, "mime_type": "video/mp4"},
{"type": "text", "text": prompt}
],
response_format=response_schema,
)
print(interaction.output_text)
JavaScript
import { GoogleGenAI } from "@google/genai";
const client = new GoogleGenAI({});
const YOUTUBE_URL = "https://www.youtube.com/watch?v=ku-N-eS1lgM";
const prompt = `
Process the audio file and generate a detailed transcription.
Requirements:
1. Identify distinct speakers (e.g., Speaker 1, Speaker 2).
2. Provide accurate timestamps for each segment (Format: MM:SS).
3. Detect the primary language of each segment.
4. If not English, provide the English translation.
5. Identify the primary emotion: Happy, Sad, Angry, or Neutral.
6. Provide a brief summary at the beginning.
`;
const responseSchema = {
type: "object",
properties: {
summary: { type: "string" },
segments: {
type: "array",
items: {
type: "object",
properties: {
speaker: { type: "string" },
timestamp: { type: "string" },
content: { type: "string" },
language: { type: "string" },
emotion: {
type: "string",
enum: ["happy", "sad", "angry", "neutral"]
}
},
required: ["speaker", "timestamp", "content", "emotion"]
}
}
},
required: ["summary", "segments"]
};
const interaction = await client.interactions.create({
model: "gemini-3.5-flash",
input: [
{ type: "video", uri: YOUTUBE_URL, mime_type: "video/mp4" },
{ type: "text", text: prompt }
],
response_format: responseSchema,
});
console.log(JSON.parse(interaction.output_text));
REST
curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
"model": "gemini-3.5-flash",
"input": [
{
"type": "video",
"uri": "https://www.youtube.com/watch?v=ku-N-eS1lgM",
"mime_type": "video/mp4"
},
{
"type": "text",
"text": "Transcribe with speaker diarization and emotion detection."
}
],
"response_format": {
"type": "object",
"properties": {
"summary": {"type": "string"},
"segments": {
"type": "array",
"items": {
"type": "object",
"properties": {
"speaker": {"type": "string"},
"timestamp": {"type": "string"},
"content": {"type": "string"},
"emotion": {"type": "string", "enum": ["happy", "sad", "angry", "neutral"]}
}
}
}
}
}
}'
إدخال الصوت
يمكنك تقديم بيانات صوتية بالطرق التالية:
حمِّل ملفًا صوتيًا قبل تقديم طلب.
مرِّر بيانات الصوت المضمّنة مع الطلب.
تحميل ملف صوتي
استخدِم Files API للملفات التي يزيد حجمها عن 20 ميغابايت.
Python
from google import genai
client = genai.Client()
uploaded_file = client.files.upload(file="path/to/sample.mp3")
interaction = client.interactions.create(
model="gemini-3.5-flash",
input=[
{"type": "text", "text": "Describe this audio clip"},
{
"type": "audio",
"uri": uploaded_file.uri,
"mime_type": uploaded_file.mime_type
}
]
)
print(interaction.output_text)
JavaScript
import { GoogleGenAI } from "@google/genai";
const client = new GoogleGenAI({});
const uploadedFile = await client.files.upload({
file: "path/to/sample.mp3",
config: { mimeType: "audio/mp3" }
});
const interaction = await client.interactions.create({
model: "gemini-3.5-flash",
input: [
{type: "text", text: "Describe this audio clip"},
{
type: "audio",
uri: uploadedFile.uri,
mime_type: uploadedFile.mimeType
}
]
});
console.log(interaction.output_text);
REST
# First upload the file using the Files API, then use the URI:
curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
"model": "gemini-3.5-flash",
"input": [
{"type": "text", "text": "Describe this audio clip"},
{
"type": "audio",
"uri": "YOUR_FILE_URI",
"mime_type": "audio/mp3"
}
]
}'
تمرير بيانات الصوت مضمّنة
بالنسبة إلى ملفات الصوت الصغيرة التي يقلّ حجم الطلب الإجمالي فيها عن 20 ميغابايت:
Python
from google import genai
import base64
client = genai.Client()
with open('path/to/small-sample.mp3', 'rb') as f:
audio_bytes = f.read()
interaction = client.interactions.create(
model="gemini-3.5-flash",
input=[
{"type": "text", "text": "Describe this audio clip"},
{
"type": "audio",
"data": base64.b64encode(audio_bytes).decode('utf-8'),
"mime_type": "audio/mp3"
}
]
)
print(interaction.output_text)
JavaScript
import { GoogleGenAI } from "@google/genai";
import * as fs from "node:fs";
const client = new GoogleGenAI({});
const audioData = fs.readFileSync("path/to/small-sample.mp3", {
encoding: "base64"
});
const interaction = await client.interactions.create({
model: "gemini-3.5-flash",
input: [
{type: "text", text: "Describe this audio clip"},
{
type: "audio",
data: audioData,
mime_type: "audio/mp3"
}
]
});
console.log(interaction.output_text);
REST
AUDIO_PATH="path/to/sample.mp3"
if [[ "$(base64 --version 2>&1)" = *"FreeBSD"* ]]; then
B64FLAGS="--input"
else
B64FLAGS="-w0"
fi
curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
"model": "gemini-3.5-flash",
"input": [
{"type": "text", "text": "Describe this audio clip"},
{
"type": "audio",
"data": "'$(base64 $B64FLAGS $AUDIO_PATH)'",
"mime_type": "audio/mp3"
}
]
}'
ملاحظات حول بيانات الصوت المضمّنة:
* الحدّ الأقصى لحجم الطلب هو 20 ميغابايت إجمالاً (بما في ذلك الطلبات وكل الملفات)
* لإعادة الاستخدام، يُرجى تحميل الملف بدلاً من ذلك
الحصول على نص
للحصول على نص، اطلب ذلك في الطلب:
Python
interaction = client.interactions.create(
model="gemini-3.5-flash",
input=[
{"type": "text", "text": "Generate a transcript of the speech."},
{
"type": "audio",
"uri": uploaded_file.uri,
"mime_type": uploaded_file.mime_type
}
]
)
print(interaction.output_text)
JavaScript
const interaction = await client.interactions.create({
model: "gemini-3.5-flash",
input: [
{ type: "text", text: "Generate a transcript of the speech." },
{
type: "audio",
uri: uploadedFile.uri,
mime_type: uploadedFile.mimeType
}
]
});
console.log(interaction.output_text);
الرجوع إلى الطوابع الزمنية
استخدِم التنسيق MM:SS للإشارة إلى أقسام معيّنة:
Python
interaction = client.interactions.create(
model="gemini-3.5-flash",
input=[
{"type": "text", "text": "Provide a transcript from 02:30 to 03:29."},
{
"type": "audio",
"uri": uploaded_file.uri,
"mime_type": uploaded_file.mime_type
}
]
)
JavaScript
const interaction = await client.interactions.create({
model: "gemini-3.5-flash",
input: [
{ type: "text", text: "Provide a transcript from 02:30 to 03:29." },
{ type: "audio", uri: uploadedFile.uri, mime_type: "audio/mp3" }
]
});
عدد الرموز المميّزة
حساب عدد الرموز المميزة في ملف صوتي:
Python
response = client.models.count_tokens(
model="gemini-3.5-flash",
contents=[uploaded_file]
)
print(response)
JavaScript
const response = await client.models.countTokens({
model: "gemini-3.5-flash",
contents: [
{ fileData: { fileUri: uploadedFile.uri, mimeType: uploadedFile.mimeType } }
]
});
console.log(response.totalTokens);
تنسيقات الصوت المتوافقة
WAV - audio/wav
MP3 - audio/mp3
AIFF - audio/aiff
AAC - audio/aac
OGG Vorbis - audio/ogg
FLAC - audio/flac
التفاصيل الفنية حول الصوت
الرموز المميزة: 32 رمزًا مميزًا لكل ثانية من الصوت (دقيقة واحدة = 1,920 رمزًا مميزًا)
الأصوات غير الكلامية: يفهم Gemini الأصوات غير الكلامية (مثل زقزقة العصافير وأصوات سيارات الإسعاف وغيرها).
الحدّ الأقصى للطول: 9.5 ساعات من الصوت لكل طلب
درجة الدقة: تم تخفيضها إلى 16 كيلوبت في الثانية
القنوات: مقاطع صوتية متعددة القنوات مدمجة في قناة واحدة
الخطوات التالية
Files API: تحميل الملفات الصوتية وإدارتها
تعليمات النظام:
تخصيص سلوك النموذج
الناتج المنظَّم:
يمكنك الحصول على نتائج تحويل الصوت إلى نص بتنسيق JSON
إرسال ملاحظات
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0‏ ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0‏. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers‏. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2026-07-06 (حسب التوقيت العالمي المتفَّق عليه)
هل تريد مشاركة ملاحظاتك معنا؟
[[["يسهُل فهم المحتوى.","easyToUnderstand","thumb-up"],["ساعَدني المحتوى في حلّ مشكلتي.","solvedMyProblem","thumb-up"],["غير ذلك","otherUp","thumb-up"]],[["لا يحتوي على المعلومات التي أحتاج إليها.","missingTheInformationINeed","thumb-down"],["الخطوات معقدة للغاية / كثيرة جدًا.","tooComplicatedTooManySteps","thumb-down"],["المحتوى قديم.","outOfDate","thumb-down"],["ثمة مشكلة في الترجمة.","translationIssue","thumb-down"],["مشكلة في العيّنات / التعليمات البرمجية","samplesCodeIssue","thumb-down"],["غير ذلك","otherDown","thumb-down"]],["تاريخ التعديل الأخير: 2026-07-06 (حسب التوقيت العالمي المتفَّق عليه)"],[],[]]
البنود
الخصوصية
Manage cookies
English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Polski
Português – Brasil
Shqip
Tiếng Việt
Türkçe
Русский
עברית
العربيّة
فارسی
हिंदी
বাংলা
ภาษาไทย
中文 – 简体
中文 – 繁體
日本語
한국어