ทดลองใช้ Gemini 3.6 Flash API สำหรับ Image-to-Text ถามตอบภาพ OCR วิเคราะห์ และสตรีมคำตอบหลายโมดัลผ่าน Google API ของ Flaq AI
โมเดล Gemini 3.6 Flash ที่เกี่ยวข้อง
ตัวอย่าง API
ตัวอย่างการส่งคำขอ
const response = await fetch('https://api.flaq.ai/api/v1/chat/completions', {
method: 'POST',
headers: {
Authorization: 'Bearer YOUR_API_KEY',
Accept: 'text/event-stream',
'Content-Type': 'application/json'
},
body: JSON.stringify({
model: 'gemini-3.6-flash-image-to-text',
messages: [
{
role: 'user',
content: [
{ type: 'text', text: 'Describe the image and extract any visible text.' },
{
type: 'image_url',
image_url: {
url: 'https://example.com/sample-image.jpg'
}
}
]
}
],
stream: true,
max_tokens: 2048
})
});
const reader = response.body.getReader();
const decoder = new TextDecoder();
let buffer = '';
let assistantText = '';
while (true) {
const { done, value } = await reader.read();
if (done) break;
buffer += decoder.decode(value, { stream: true });
const frames = buffer.split('\n\n');
buffer = frames.pop() || '';
for (const frame of frames) {
const lines = frame.split('\n').filter(Boolean);
let eventName = 'message';
const dataLines = [];
for (const line of lines) {
if (line.startsWith('event:')) {
eventName = line.slice(6).trim();
} else if (line.startsWith('data:')) {
dataLines.push(line.replace(/^data:\s*/, ''));
}
}
const raw = dataLines.join('\n').trim();
if (raw === '[DONE]') {
console.log('\nFinal text:', assistantText);
continue;
}
let payload;
try {
payload = JSON.parse(raw);
} catch {
continue;
}
if (eventName === 'error' || payload.error) {
const msg = payload.error?.message ?? payload.message ?? 'Chat request failed';
throw new Error(msg);
}
const delta = payload.choices?.[0]?.delta;
if (delta?.content) {
assistantText += delta.content;
console.log(assistantText);
}
}
}
ตัวอย่างการส่งคำขอ
import json
import requests
response = requests.post(
'https://api.flaq.ai/api/v1/chat/completions',
headers={
'Authorization': 'Bearer YOUR_API_KEY',
'Accept': 'text/event-stream',
'Content-Type': 'application/json',
},
json={
'model': 'gemini-3.6-flash-image-to-text',
'messages': [
{
'role': 'user',
'content': [
{'type': 'text', 'text': 'Describe the image and extract any visible text.'},
{
'type': 'image_url',
'image_url': {
'url': 'https://example.com/sample-image.jpg'
}
},
],
}
],
'stream': True,
'max_tokens': 2048,
},
stream=True,
)
response.raise_for_status()
event_name = 'message'
assistant_text = ''
for raw_line in response.iter_lines(decode_unicode=True):
if not raw_line:
event_name = 'message'
continue
if raw_line.startswith('event:'):
event_name = raw_line.replace('event:', '', 1).strip()
continue
if raw_line.startswith('data:'):
raw_data = raw_line.replace('data:', '', 1).strip()
if raw_data == '[DONE]':
print('\nFinal text:', assistant_text)
continue
payload = json.loads(raw_data)
if event_name == 'error' or payload.get('error'):
error = payload.get('error') or payload
raise RuntimeError(error.get('message', 'Chat request failed'))
choices = payload.get('choices') or []
if choices:
delta = choices[0].get('delta') or {}
content = delta.get('content')
if content:
assistant_text += content
print(content, end='', flush=True)
ตัวอย่างการส่งคำขอ
curl -N -X POST "https://api.flaq.ai/api/v1/chat/completions" \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Accept: text/event-stream" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3.6-flash-image-to-text",
"messages": [
{
"role": "user",
"content": [
{ "type": "text", "text": "Describe the image and extract any visible text." },
{
"type": "image_url",
"image_url": {
"url": "https://example.com/sample-image.jpg"
}
}
]
}
],
"stream": true,
"max_tokens": 2048
}'
ราคา Gemini 3.6 Flash Image to Text
| พารามิเตอร์ | ราคา | ราคาเดิม | ส่วนลด |
|---|
README
API Gemini 3.6 Flash Image-to-Text ที่รวดเร็วและมีประสิทธิภาพ
API Gemini 3.6 Flash Image-to-Text มอบเส้นทางที่มุ่งเน้นสำหรับแอปพลิเคชัน Flaq AI เพื่อเปลี่ยนอินพุตภาพให้เป็นข้อความที่มีประโยชน์ สร้างขึ้นบน โมเดล Gemini 3.6 Flash แบบหลายสื่อของ Google เส้นทางนี้ผสานรูปภาพเข้ากับคำสั่ง เพื่อให้ทีมสามารถถามคำถาม ดึงข้อสังเกต อธิบายภาพหน้าจอ และเตรียมเนื้อหาภาพสำหรับเวิร์กโฟลว์ในขั้นตอนถัดไป การผสานรวมนี้คงขอบเขตไว้ อย่างจำเพาะเจาะจง: คำขอด้านภาพที่มุ่งเน้นจะสร้างข้อความแทนสื่อที่สร้างขึ้น
คุณสมบัติหลักของ API Gemini 3.6 Flash Image-to-Text
-
ความเข้าใจภาพแบบหลายสื่อ: ผสานรูปภาพกับคำสั่งภาษาธรรมชาติเพื่อสร้างคำอธิบาย คำตอบ และการวิเคราะห์ ที่อ้างอิงจากภาพ
-
การตอบคำถามเกี่ยวกับรูปภาพอย่างมีประสิทธิภาพ: ใช้ตระกูลโมเดล Flash สำหรับงานภาพที่ตอบสนองรวดเร็ว เช่น การอธิบายภาพหน้าจอ การดึงรายละเอียดผลิตภัณฑ์ และการเปรียบเทียบรูปภาพ
-
เวิร์กโฟลว์ภาพที่มุ่งเน้น: ให้แต่ละคำขอมุ่งเน้นที่อินพุตรูปภาพหนึ่งรายการ ทำให้เส้นทางนี้ใช้งานได้ อย่างตรงไปตรงมาในฟีเจอร์ผลิตภัณฑ์และคิวตรวจสอบ
-
การส่งรูปภาพตามเอกสาร: ส่งรูปภาพผ่านรูปแบบคำขอ Flaq AI ที่กำหนดค่าไว้ให้เหมาะกับเวิร์กโฟลว์การอัปโหลด และพื้นที่จัดเก็บของแอปพลิเคชัน
-
บริบทที่อิงตามข้อความสนทนา: เพิ่มคำแนะนำระบบ เจตนาของผู้ใช้ และบริบทการสนทนารอบคำถามด้านภาพเมื่อ งานต้องการข้อจำกัดที่ชัดเจนขึ้น
-
การผสานรวมที่เน้นข้อความ: รับข้อความที่เหมาะสำหรับการแสดงผล การตรวจสอบ การกำหนดเส้นทาง และระบบอัตโนมัติ โดยไม่ถือว่า endpoint เป็นบริการสร้างรูปภาพ
วิธีใช้ API Gemini 3.6 Flash Image-to-Text บน Flaq AI
-
อินพุต: รูปภาพที่รองรับจับคู่กับพรอมต์ที่ระบุงานด้านคำถาม คำอธิบาย การดึงข้อมูล หรือการเปรียบเทียบ ที่ต้องการ
-
เอาต์พุต: การตอบกลับข้อความที่อ้างอิงจากรูปภาพที่ให้มาและบริบทของคำขอ
-
การส่งรูปภาพ: ส่งรูปภาพตามรูปแบบคำขอ Flaq AI ที่กำหนดค่าไว้
-
ความสามารถ: การตอบคำถามด้านภาพ การอธิบายภาพหน้าจอ การสรุปรูปภาพ การดึงรายละเอียด และ การร่างเนื้อหาที่อ้างอิงจากรูปภาพ
กรณีการใช้งานที่เหมาะสมที่สุดสำหรับการผสานรวม API Gemini 3.6 Flash Image-to-Text
-
การตรวจสอบ UI และผลิตภัณฑ์: เปลี่ยนภาพหน้าจอเป็นคำอธิบายอินเทอร์เฟซ ฉบับร่างรายงานข้อบกพร่อง บันทึก QA ด้านภาพ หรือ ข้อเสนอแนะด้านการออกแบบที่นำไปดำเนินการได้
-
การเพิ่มข้อมูลแคตตาล็อก: ดึงคุณลักษณะที่มองเห็นได้และร่างคำอธิบายผลิตภัณฑ์สำหรับเวิร์กโฟลว์การค้าและสินค้าคงคลัง ที่มีมนุษย์ตรวจสอบ
-
การคัดแยกงานสนับสนุนลูกค้า: ตีความภาพหน้าจอและรูปภาพที่ผู้ใช้ส่งมาเพื่อแนะนำคำถาม การตอบกลับ และ การตัดสินใจกำหนดเส้นทางสำหรับทีมสนับสนุน
-
ความช่วยเหลือด้านการเข้าถึง: สร้างฉบับร่างคำอธิบายรูปภาพและบทสรุปด้านภาพที่บรรณาธิการสามารถตรวจสอบและปรับปรุง ก่อนเผยแพร่
-
การอธิบายเอกสารและแผนภาพ: ช่วยให้ผู้ใช้เข้าใจแผนภูมิ แผนภาพ สไลด์ และข้อมูลอ้างอิงด้านภาพผ่าน ข้อความที่สร้างขึ้นอย่างชัดเจน
หมายเหตุ เส้นทางนี้กำหนดค่าไว้สำหรับอินพุตรูปภาพที่มุ่งเน้นและเอาต์พุตข้อความ โปรดตรวจสอบเอาต์พุตที่ได้จากรูปภาพก่อนนำไปใช้กับ การตัดสินใจที่สำคัญด้านความปลอดภัย กฎหมาย การแพทย์ การเงิน หรือการปฏิบัติตามข้อกำหนด
API Gemini 3.6 Flash Image-to-Text เทียบกับคู่แข่ง: การวิเคราะห์เปรียบเทียบ
-
Gemini 3.6 Flash Image-to-Text เทียบกับ Gemini 3.5 Flash Image-to-Text
Gemini 3.5 Flash มอบตัวเลือกที่คุ้นเคยสำหรับ งาน image-to-text Gemini 3.6 Flash เป็นโมเดลรุ่นใหม่กว่าสำหรับทีมที่ต้องการ API แบบหลายสื่อที่มีประสิทธิภาพ พร้อมความสามารถด้านการให้เหตุผลและการสนับสนุนการวางแผนที่เกี่ยวข้องกับการเขียนโค้ดที่แข็งแกร่งขึ้น -
Gemini 3.6 Flash Image-to-Text เทียบกับ Gemini 3.7 Flash Image-to-Text
Gemini 3.7 Flash เป็นโมเดล Flash รุ่นใหม่กว่า สำหรับเวิร์กโฟลว์แบบเอเจนต์และหลายสื่อที่ซับซ้อน Gemini 3.6 Flash มอบเส้นทางความเข้าใจภาพที่สมดุลเมื่อ เวิร์กโฟลว์ image-to-text ที่มุ่งเน้นเป็นสิ่งสำคัญ -
Gemini 3.6 Flash Image-to-Text เทียบกับ Grok 4.6 Image-to-Text
Grok 4.6 เป็นทางเลือกจาก xAI ที่มีประโยชน์สำหรับการให้เหตุผลทางเทคนิค ที่อ้างอิงจากรูปภาพ Gemini 3.6 Flash มอบตระกูลโมเดลหลายสื่อของ Google พร้อมการผสานรวม Flaq AI ที่มุ่งเน้นสำหรับ คำถามด้านภาพและการดำเนินงานด้านเนื้อหา -
Gemini 3.6 Flash Image-to-Text เทียบกับ GPT 5.6 Terra Image-to-Text
โมเดลด้านภาพของ GPT 5.6 Terra รองรับสถานการณ์แอปพลิเคชันหลายสื่อที่หลากหลาย Gemini 3.6 Flash เป็นตัวเลือกที่เหมาะสมในการประเมินเมื่อทีมต้องการเส้นทางที่มีประสิทธิภาพบน Gemini สำหรับ ภาพหน้าจอ ผลิตภัณฑ์ และเอาต์พุตข้อความที่อ้างอิงจากรูปภาพ -
Gemini 3.6 Flash Image-to-Text เทียบกับ Claude Vision
โมเดลด้านการมองเห็นของ Claude อาจเหมาะกับงานด้านเอกสารและ การอธิบาย Gemini 3.6 Flash มอบตัวเลือก API ที่พร้อมใช้งานจริงอีกทางสำหรับการวิเคราะห์ภาพโดยมีขอบเขต image-to-text ที่ชัดเจน