Gemini 可回應音訊提示。舉例來說，Gemini 可以：
- 描述、摘要或回答音訊內容相關問題。
- 提供音訊轉錄稿。
- 針對音訊的特定片段提供答案或轉錄稿。
本指南將示範使用 Gemini API 與音訊檔案和音訊內容互動的不同方式。
支援的音訊格式
Gemini 支援下列音訊格式的 MIME 類型：
- WAV -
audio/wav - MP3 -
audio/mp3 - AIFF -
audio/aiff - AAC -
audio/aac - OGG Vorbis -
audio/ogg - FLAC -
audio/flac
音訊技術詳細資料
Gemini 對音訊有以下規則：
- Gemini 會將每秒的音訊表示為 32 個符記，例如 1 分鐘的音訊會以 1,920 個符記表示。
- Gemini 只能針對英文語音推斷回覆。
- Gemini 可以「理解」非語音內容，例如鳥鳴或警鈴聲。
- 單一提示支援的音訊資料長度上限為 9.5 小時。Gemini 不會限制單一提示中的音訊檔案數量，但單一提示中所有音訊檔案的總長度不得超過 9.5 小時。
- Gemini 會將音訊檔案降採樣至 16 Kbps 資料解析度。
- 如果音訊來源含有多個聲道，Gemini 會將這些聲道合併為單一聲道。
事前準備：設定專案和 API 金鑰
在呼叫 Gemini API 之前，您需要設定專案並設定 API 金鑰。
將音訊檔案提供給 Gemini
你可以透過下列任一方式，將音訊檔案提供給 Gemini：
上傳音訊檔案並產生內容
您可以使用 File API 上傳任何大小的音訊檔案。如果總要求大小 (包括檔案、文字提示、系統指示等) 超過 20 MB，請一律使用 File API。
呼叫 media.upload，使用 File API 上傳檔案。以下程式碼會上傳音訊檔案，然後在呼叫 models.generateContent 時使用該檔案。
from google import genai
client = genai.Client()
myfile = client.files.upload(file='media/sample.mp3')
response = client.models.generate_content(
model='gemini-2.0-flash',
contents=['Describe this audio clip', myfile]
)
print(response.text)
取得檔案的中繼資料
您可以呼叫 files.get，驗證 API 是否已成功儲存上傳的檔案，並取得其中繼資料。
myfile = client.files.upload(file='media/sample.mp3')
file_name = myfile.name
myfile = client.files.get(name=file_name)
print(myfile)
列出已上傳的檔案
你可以上傳多個音訊檔案 (和其他類型的檔案)。以下程式碼會產生所有上傳檔案的清單：
print('My files:')
for f in client.files.list():
print(' ', f.name)
刪除已上傳的檔案
檔案會在 48 小時後自動刪除。您也可以手動刪除已上傳的檔案。例如：
myfile = client.files.upload(file='media/sample.mp3')
client.files.delete(name=myfile.name)
在要求中以內嵌資料的形式提供音訊檔案
您可以改為在包含提示的相同呼叫中傳遞音訊資料，而非上傳音訊檔案。
接著，將下載的音訊檔案和提示傳送至 Gemini：
from google.genai import types
with open('media/small-sample.mp3', 'rb') as f:
image_bytes = f.read()
response = client.models.generate_content(
model='gemini-2.0-flash',
contents=[
'Describe this audio clip',
types.Part.from_bytes(
data=image_bytes,
mime_type='audio/mp3',
)
]
)
print(response.text)
請注意，以下是提供音訊做為內嵌資料的注意事項：
- 要求大小上限為 20 MB，其中包括文字提示、系統操作說明和內嵌檔案。如果檔案大小會導致總要求大小超過 20 MB，請使用 File API 上傳檔案，以便在要求中使用。
- 如果您要多次使用音訊樣本，建議您使用 File API，這樣效率會更高。
更多處理音訊的方式
本節將介紹幾種可進一步利用音訊的其他方法。
取得音訊檔案的轉錄稿
如要取得轉錄稿，只要在提示中要求即可。例如：
myfile = client.files.upload(file='media/sample.mp3')
prompt = 'Generate a transcript of the speech.'
response = client.models.generate_content(
model='gemini-2.0-flash',
contents=[prompt, myfile]
)
print(response.text)
參照音訊檔案中的時間戳記
提示可以指定 MM:SS 格式的時間戳記，以便參照音訊檔案中的特定部分。舉例來說，下列提示會要求轉錄稿，其內容如下：
- 從檔案開頭開始播放 2 分 30 秒。
- 結束時間為檔案開頭的 3 分 29 秒。
# Create a prompt containing timestamps.
prompt = "Provide a transcript of the speech from 02:30 to 03:29."
計算符記
呼叫 countTokens 方法，取得音訊檔案中的符記數量。例如：
response = client.models.count_tokens(
model='gemini-2.0-flash',
contents=[myfile]
)
print(response)
後續步驟
本指南說明如何使用 File API 上傳音訊檔案，然後從音訊輸入內容產生文字輸出內容。如要進一步瞭解相關內容，請參閱下列資源：