Gemini Live API-এর ওভারভিউ

Live API, Gemini-র সাথে কম লেটেন্সি, রিয়েল-টাইম ভয়েস ও ভিশন ইন্টার‍্যাকশন সক্ষম করে। এটি অডিও, ছবি ও টেক্সটের অবিচ্ছিন্ন স্ট্রিম প্রসেস করে, যাতে তৎক্ষণাৎ, মানুষের মতো বলা উত্তর দেওয়া যায়। এর ফলে আপনার ব্যবহারকারীরা স্বাভাবিক কথোপকথনের অভিজ্ঞতা পান।

যেসব ক্ষেত্রে ব্যবহার করা যাবে

Live API-কে বিভিন্ন ধরনের ইন্ডাস্ট্রির জন্য রিয়েল-টাইম ভয়েস এজেন্ট তৈরি করতে ব্যবহার করা যেতে পারে, যার মধ্যে রয়েছে:

• ই-কমার্স ও রিটেল: পছন্দমতো সাজেশন দেয় এমন শপিং অ্যাসিস্ট্যান্ট এবং গ্রাহকের সমস্যা সমাধান করে এমন সহায়তা এজেন্ট।
• গেমিং: ইন্ট্যার‍্যাক্টিভ নন-প্লেয়ার ক্যারেক্টার (NPC), ইন-গেম সহায়তা অ্যাসিস্ট্যান্ট এবং ইন-গেম কন্টেন্টের রিয়েল-টাইম অনুবাদ।
• নেক্সট-জেন ইন্টারফেস: রোবোটিক্স, স্মার্ট গ্লাস ও গাড়িতে ভয়েস ও ভিডিও চালু করা অভিজ্ঞতা।
• স্বাস্থ্য পরিষেবা: রোগীর সহায়তা ও শিক্ষার জন্য স্বাস্থ্য সংক্রান্ত কম্প্যানিয়ন।
• আর্থিক পরিষেবা: সম্পদ ব্যবস্থাপনা ও বিনিয়োগ সংক্রান্ত পরামর্শের জন্য AI উপদেষ্টা ।
• শিক্ষা: AI মেন্টর ও লার্নার কম্প্যানিয়ন যা পছন্দমতো নির্দেশাবলী ও মতামত প্রদান করে।
• অনুবাদ ও লোকালাইজেশন: রিয়েল-টাইমে, কম লেটেন্সি সহ কথোপকথনের অনুবাদ, যার ফলে একাধিক ভাষায় নির্বিঘ্নে যোগাযোগ করা যায়।
• লাইভ ট্রান্সক্রিপশন ও ক্যাপশন: লাইভ সাবটাইটেল, মিটিং ট্রান্সক্রিপশন, ভয়েস ডিকটেশন ও গ্রাহকের কল লগিংয়ের জন্য রিয়েল-টাইম স্পিচ-টু-টেক্সট স্ট্রিমিং।

মূল ফিচার

Live API, শক্তিশালী ভয়েস এজেন্ট তৈরি করার জন্য ফিচারের একটি বিস্তৃত সেট অফার করে:

• একাধিক ভাষায় কাজ করে: ৭০টি মানানসই ভাষায় কথোপকথন চালান।
• বর্জ-ইন: ব্যবহারকারী যেকোনও সময় মডেলকে বাধা দিয়ে ইন্ট্যার‍্যাক্ট করতে পারেন।
• টুল ব্যবহার: ডায়নামিক ইন্টার‍্যাকশনের জন্য ফাংশন কলিং ও Google Search-এর মতো টুল ইন্টিগ্রেট করে।
• অডিও ট্রান্সক্রিপশন: ব্যবহারকারীর ইনপুট ও মডেল আউটপুট, দু'টিরই টেক্সট ট্রান্সক্রিপ্ট প্রদান করে।
• প্রোঅ্যাক্টিভ অডিও: মডেল কখন এবং কোন প্রসঙ্গে উত্তর দেবে তা নিয়ন্ত্রণ করতে দেয়।
• আবেগপূর্ণ ডায়ালগ: ব্যবহারকারীর ইনপুট এক্সপ্রেশনের সাথে ম্যাচ করাতে উত্তর দেওয়ার স্টাইল ও টোন অ্যাডজাস্ট করে।
• লাইভ ট্রান্সক্রিপশন: অটোমেটিক ভাষা শনাক্তকরণ ও কাস্টম শব্দভাণ্ডার সহ রিয়েল-টাইম, একটানা স্পিচ-টু-টেক্সট স্ট্রিমিং।
• লাইভ অনুবাদ: ৭০টিরও বেশি ভাষায় রিয়েল-টাইম ভয়েস-টু-ভয়েস অনুবাদ।

টেকনিক্যাল স্পেসিফিকেশন

নিচে দেওয়া সারণীতে Live API-এর টেকনিক্যাল স্পেসিফিকেশন সম্পর্কে বলা হয়েছে:

ইমপ্লিমেন্ট করার পদ্ধতি বেছে নিন

Live API-এর সাথে ইন্টিগ্রেট করার সময়, আপনাকে নিম্নলিখিত ইমপ্লিমেন্টেশন পদ্ধতির মধ্যে একটি বেছে নিতে হবে:

• সার্ভার-টু-সার্ভার: আপনার ব্যাকএন্ড WebSockets ব্যবহার করে Live API-এর সাথে কানেক্ট করে। সাধারণত, আপনার ক্লায়েন্ট আপনার সার্ভারে স্ট্রিম ডেটা (অডিও, ভিডিও, টেক্সট) পাঠায়, যা পরে Live API-তে ফরওয়ার্ড করা হয়।
• ক্লায়েন্ট-টু-সার্ভার: আপনার ফ্রন্টএন্ড কোড, ডেটা স্ট্রিম করার জন্য WebSockets ব্যবহার করে সরাসরি Live API-এর সাথে কানেক্ট করে এবং আপনার ব্যাকএন্ডকে বাইপাস করে।

শুরু করুন

আপনার ডেভেলপমেন্ট এনভায়রনমেন্টের সাথে মানানসই গাইড বেছে নিন: