TAG

audio

6 記事

環境音のループ再生で折り返しだけがプチッと鳴る。音声理解に丸ごと投げる前に、波形の端の段差を内部の変化量で正規化してふるい分ける手順と、配布形式への変換で継ぎ目が作り直される落とし穴をまとめました。

Gemini のマルチモーダル機能で画像・音声・動画・PDF を統合処理する有料サービスの作り方を解説します。File API の使い方、ユースケース別の実装パターン、Stripe Metered Billing との連携、利益率を保つ料金設計まで実践コードつきです。

会議録音やポッドキャストの音声から「誰が話したか」を Gemini API のマルチモーダル音声理解で識別する方法です。話者ラベルつき JSON を返す最小構成のコード、結果を底上げする3つのプロンプトの工夫、専用ツールとの使い分けを解説します。

Gemini API のマルチモーダル機能と Python で、音声ファイルの文字起こしと自動要約を行うアプリを作ります。基本の文字起こしから要約機能の追加、長時間音声の分割処理、複数ファイルの一括処理まで、4つのステップに分けて手を動かしながら進めます。

画像・動画・音声・PDF を単一リクエストで扱う Gemini API のマルチモーダル実装テクニック集です。4モダリティの基礎実装から、ストリーミング対応パイプライン、Function Calling との統合、レート制限対策、パフォーマンスとコストの最適化まで進めます。

Gemini の TTS（音声合成）を個人開発のアプリに組み込んだ実務メモ。google-genai SDK での呼び出し、生 PCM を WAV に整える落とし穴、声とペーシングの選び方、コストの見方までを実例とともにまとめます。