جمینای (Gemini) چیست؟ خانوادهٔ مدلهای گوگل به زبان ساده
جمینای (Gemini) نام خانوادهٔ مدلهای هوش مصنوعی گوگل است. همین مدل‌ها پشت اپ Gemini کار می‌کنند و برنامه‌نویس‌ها از راه API در برنامهٔ خودشان صدایشان می‌زنند. نسخه‌های Flash برای جواب سریع و کار پرحجم ساخته شده‌اند و Pro برای کار سنگین‌تر. همین خانواده تصویر، صدا و ویدیو هم می‌سازد.
اگر می‌خواهید Gemini را در کد خودتان صدا بزنید، فهرست مدل‌ها و قیمت تومانی هر کدام را در صفحهٔ API جمینای در نِت اَرز می‌بینید. این مقاله اول خود Gemini را معرفی میکند: نسخه‌ها، کارهایی که جز گفت‌وگو از آن برمی‌آید و راه‌هایی که از ایران به آن می‌رسید.
جمینای را چه کسی ساخته و چه فرقی با اپ Gemini دارد؟
Gemini را گوگل ساخته است. وقتی کسی می‌گوید «با جمینای کار می‌کنم»، معمولاً منظورش یکی از این دو است:
- اپ Gemini: سایت و اپ موبایلی که گوگل برای گفت‌وگو ساخته است. با حساب گوگل وارد می‌شوید و بخشی از امکاناتش به اشتراک ماهانهٔ گوگل بسته است. شرایط خرید این اشتراک از ایران را در راهنمای اشتراک Gemini نوشته‌ایم.
- مدلهای Gemini در API: همان مدل‌ها، بدون صفحهٔ گفت‌وگو. برنامهٔ شما متن یا فایل را می‌فرستد و جواب را می‌گیرد. اشتراک ماهانه ندارد و هزینهٔ هر درخواست به اندازهٔ مصرف همان درخواست است.
Flash، Pro و Gemma چه فرقی دارند؟
نسخه‌های Flash برای جواب سریع و کار پرحجم‌اند و برای چت‌بات، خلاصه و کارهای روزمره کافی‌اند. Pro در استدلال و کارهای چندمرحله‌ای دقیق‌تر است و برای همان مقدار متن هزینهٔ بیشتری دارد. Gemma نسخهٔ متن‌باز و سبک گوگل است که هر کسی می‌تواند روی سرور خودش اجرا کند. قیمت هر نسخه را کنار هم در جدول API جمینای می‌بینید.
نقطهٔ قوت مشترک این خانواده این است که متن خیلی بلندی را در یک درخواست میخواند؛ یعنی پنجرهٔ متن (context window) بزرگی دارد. مدلهای گفت‌وگوی Gemini روی وبسرویس نِت اَرز تا حدود یک میلیون واحد شمارش متن (توکن) را یک‌جا می‌خوانند؛ این اندازه برای یک کتاب یا صدها صفحه سند کافی است. Gemini تصویر و فایل صوتی را هم کنار متن میفهمد؛ مثلاً متن یک جلسهٔ ضبط‌شده را پیاده میکند.
جمینای غیر از گفت‌وگو چه می‌سازد؟
گوگل زیر همین نام چند مدل تخصصی هم دارد:
- تصویر: گوگل مدلهای تصویر Gemini را «نانو بنانا (Nano Banana)» نامیده است. از روی توصیف متنی عکس می‌سازند و عکس خودتان را ویرایش می‌کنند.
- متن به گفتار: Gemini TTS متن فارسی را با یکی از ۳۰ صدای آماده میخواند و گفت‌وگوی دونفره را هم با دو صدای جدا می‌سازد.
- گفتار به متن: فایل صوتی را به متن برمی‌گرداند، زبان را خودش تشخیص میدهد، گوینده‌ها را تا ۸ نفر از هم جدا میکند و فایل زیرنویس SRT می‌سازد.
- ویدیو و موسیقی: Veo از روی متن ویدیو می‌سازد و Lyria موسیقی.
- جست‌وجوی معنایی (Embedding): متن را به عدد تبدیل میکند تا برنامهٔ شما در اسناد خودتان دنبال معنا بگردد، نه فقط کلمه.
مدلهای تصویر، متن به گفتار و گفتار به متن گوگل از ۹ مهر ۱۴۰۵ مستقیم روی وبسرویس هوش مصنوعی نِت اَرز هستند. همهٔ این کارها را بدون کدنویسی هم در «تولید محتوا»ی استودیو انجام می‌دهید.
از ایران چطور با جمینای کار کنیم؟
سه راه دارید و انتخاب به کاری بستگی دارد که می‌خواهید انجام بدهید:
| اگر شما… | راه مناسب |
|---|---|
| فقط می‌خواهید با Gemini گفت‌وگو کنید یا تصویر بسازید و کد نمی‌نویسید | استودیو هوش مصنوعی: گفت‌وگو با مدل‌ها در مرورگر، و «تولید محتوا» برای تصویر، صدا، ویدیو و موسیقی |
| Gemini را در سایت، اپ یا ربات خودتان لازم دارید | وبسرویس هوش مصنوعی با کلید سازگار با OpenAI و اعتبار تومانی |
| خود اپ Gemini گوگل را با امکانات اشتراکش می‌خواهید | راهنمای اشتراک Gemini |
روی وبسرویس، بخشی از مدلهای Gemini مستقیم به گوگل وصل‌اند و بقیه با پیشوند openrouter/google/ از راه OpenRouter. وقتی گوگل لحظه‌ای شلوغ است یا خطای موقت میدهد، درخواست گفت‌وگو خودکار از مسیر دوم همان مدل فرستاده میشود؛ درخواستی که در نهایت خطا بخورد، هزینه‌ای از اعتبار کم نمی‌کند. نمونه‌کد و شناسهٔ دقیق هر مدل را در راهنمای انتخاب مدل Gemini آورده‌ایم.
پیش از شروع یک نکته را بدانید: متن درخواست شما برای ساختن جواب به گوگل می‌رود و از آن‌جا سیاست نگهداری دادهٔ گوگل حاکم است. وبسرویس نِت اَرز متن درخواست و پاسخ را ذخیره نمی‌کند؛ جزئیاتش در حریم خصوصی API هوش مصنوعی آمده است.
جمینای بهتر است یا ChatGPT؟
به کارتان بستگی دارد. Gemini برای خواندن متن‌های خیلی بلند و فهم تصویر و صدا کنار متن شناخته میشود. مدلهای GPT ساخت OpenAI هستند، همان خانواده‌ای که ChatGPT با آن کار میکند. هر دو روی یک کلید وبسرویس نِت اَرز هستند؛ یک کار واقعی خودتان را به هر دو بدهید و جواب و هزینه را کنار هم بسنجید. مقایسهٔ مفصل دو اپ را در ChatGPT یا Gemini در ۱۴۰۵ بخوانید.
آموزش‌های کاربردی در گیسو
گیسو برند هوش مصنوعی نِت اَرز است، با همین حساب و همین اعتبار. این راهنماها قدم‌به‌قدم نشان می‌دهند همین کار را چطور با هوش مصنوعی انجام دهید.
پرسش‌های پرتکرار
جمینای رایگان است؟
روی وبسرویس نِت اَرز نه. از ۱۶ شهریور ۱۴۰۵ هیچ مدل رایگانی ارائه نمیکنیم و هزینهٔ هر درخواست از اعتبار هوش مصنوعی کم میشود. اپ Gemini را خود گوگل با شرایط خودش ارائه میکند.
جمینای فارسی بلد است؟
بله. پیام فارسی را میفهمد و فارسی جواب میدهد. Gemini TTS متن فارسی را میخواند و مدل گفتار به متن آن هم زبان فارسی را خودش تشخیص میدهد.
نانو بنانا هم جزو جمینای است؟
بله. نانو بنانا (Nano Banana) نامی است که گوگل روی مدلهای تصویر Gemini گذاشته است. در API هم کنار بقیهٔ مدلهای Gemini و با همان کلید صدا زده میشود.
برای کار با Gemini از نِت اَرز حساب گوگل لازم است؟
نه. با حساب نِت اَرز کلید میسازید و اعتبار را به تومان شارژ میکنید؛ کلید یا حساب جداگانهٔ گوگل لازم نیست. فقط خود اپ Gemini حساب گوگل میخواهد.
نظر خوانندگان
هنوز نظری ثبت نشده. اگر این مقاله پرسشتان را جواب داد یا جای چیزی در آن خالی ماند، همین‌جا بنویسید.