当前位置： 首页 > news >正文

Android AI示例宝库：一站式探索Google AI模型的无限可能

news 2026/7/13 7:30:46

Android AI Sample Catalog

Android AI Sample Catalog 是一个独立的应用程序，旨在为开发者提供一系列自包含的示例，集中展示Google AI模型解锁的各种生成式AI能力。这些示例涵盖了从基础文本对话、多模态理解到实时语音交互、视频内容分析以及图像生成与编辑等多个前沿领域，是学习和实践Android AI集成的宝贵资源。

重要提示：这些示例主要用于在特定场景下展示AI能力，代码可能经过简化。它们属于演示性质，不建议直接用于生产环境。最佳实践请参考官方文档和Now In Android项目。

需要Firebase支持：依赖于Google云端模型（如Gemini Pro, Gemini Flash）的示例，需要预先设置Firebase项目并将应用连接到Firebase（详细指南）。

🚧项目状态：我们正在持续向应用中添加更多示例。

功能特性

  • 全方位AI能力展示：集成Gemini、Imagen等多种Google AI模型，覆盖文本、图像、语音、视频四大模态。
  • 开箱即用的示例应用：每个示例都是独立、完整的Android模块，拥有清晰的UI界面，可直接运行体验。
  • 云端与本地AI兼顾：
    • 云端AI：使用Firebase AI SDK调用Gemini系列模型，实现强大的聊天、多模态分析、视频总结、图像生成等功能。
    • 本地AI：利用ML Kit GenAI API调用设备端Gemini Nano模型，实现图像描述、文本摘要、写作辅助等隐私友好、低延迟的任务。
  • 现代化的架构与实现：项目遵循Android推荐的架构模式，使用Kotlin、Coroutines、Flow等现代开发技术，代码结构清晰。
  • 实时交互体验：
    • Gemini Live API：演示如何通过实时语音与AI模型交互，操控一个待办事项应用，实现完全免提的对话式体验。
    • 流式响应：多个示例展示了如何处理AI模型的流式响应，提供更流畅的用户反馈。

安装指南

前置条件

  1. 开发环境：最新版本的Android Studio。
  2. Firebase项目（针对云端AI示例）：需要创建一个Firebase项目并获取配置文件。

运行步骤

  1. 克隆仓库：
    gitclone https://github.com/android/ai-samples.gitcdai-samples
  2. 使用Android Studio打开：打开整个项目（ai-samples根目录）。
  3. 配置Firebase（可选但推荐）：
    • 访问Firebase控制台创建新项目。
    • 在项目中添加一个Android应用，包名与app模块的包名一致（例如com.android.ai.samples）。
    • 下载配置文件google-services.json，并将其放入app/目录下。
    • 详细步骤可参考Firebase Android设置指南。
  4. 同步与运行：同步Gradle后，选择app配置并运行。应用将启动并展示示例列表，您可以自由导航和体验所有可用示例。

使用说明

应用运行后，主界面会列出所有集成的AI示例。点击任一示例即可进入对应的功能界面进行交互。

以下是几个核心示例的典型使用场景：

  1. Gemini 聊天机器人：与Gemini Flash模型进行纯文本对话。
  2. Gemini 多模态聊天：上传一张图片并附加文字问题，让模型根据图文内容回答。
  3. Imagen 图像生成：输入一段文字描述（如“一只在太空中的柯基犬”），生成对应的图像。
  4. 设备端图像描述：选择一张本地照片，让设备端Gemini Nano模型生成简短描述，无需网络连接。
  5. Gemini Live 语音待办事项：通过语音指令添加、删除、切换任务状态，体验实时语音AI交互。

核心代码

以下是从项目中选取的部分核心代码片段，展示了如何调用不同的AI API。

1. Gemini 多模态文本与图像生成

此代码来自GeminiImageChatViewModel.kt，展示了如何初始化一个支持生成文本和图像的Gemini模型，并处理用户的图文输入。

// 初始化支持图文生成的Gemini模型valgenerativeModel=Firebase.ai(backend=GenerativeBackend.googleAI()).generativeModel("gemini-3-pro-image-preview",generationConfig=generationConfig{temperature=0.9ftopK=32topP=1fmaxOutputTokens=4096// 关键：指定模型可以返回文本和图像两种模态responseModalities=listOf(ResponseModality.TEXT,ResponseModality.IMAGE)},safetySettings=listOf(SafetySetting(HarmCategory.HARASSMENT,HarmBlockThreshold.MEDIUM_AND_ABOVE),SafetySetting(HarmCategory.HATE_SPEECH,HarmBlockThreshold.MEDIUM_AND_ABOVE),SafetySetting(HarmCategory.SEXUALLY_EXPLICIT,HarmBlockThreshold.MEDIUM_AND_ABOVE),SafetySetting(HarmCategory.DANGEROUS_CONTENT,HarmBlockThreshold.MEDIUM_AND_ABOVE),),systemInstruction=content{text("""You are a friendly assistant. Keep your responses short.""")},)// 构建包含文本和图像的多模态内容并发送请求funsendMessageWithImage(message:String,bitmap:Bitmap?){viewModelScope.launch{valcontent=content{text(message)if(bitmap!=null){image(bitmap)// 将Bitmap添加为图像输入}}valresponse=chat.sendMessage(content)// 处理响应...}}

2. Gemini Live 实时语音与函数调用

此代码来自TodoScreenViewModel.kt，展示了如何初始化一个支持实时音频输入和函数调用（连接应用业务逻辑）的Gemini Live模型。

// 定义可供模型调用的函数（以添加待办事项为例）privatevaladdTodo=functionDeclaration("addTodo"){description="Adds a new todo item to the list"// 定义函数的参数模式parameters=schema{property("title",Schema.STRING){description="The title of the todo"}}// 当模型调用此函数时，返回响应的格式response=schema{property("result",Schema.STRING){description="The result of the operation"}}}// 初始化Gemini Live模型，并传入工具（函数）声明valgenerativeModel=Firebase.ai(backend=GenerativeBackend.vertexAI()).liveModel("gemini-2.5-flash-native-audio-preview-12-2025",generationConfig=liveGenerationConfig,systemInstruction=systemInstruction,tools=listOf(// 将多个函数声明作为工具提供给模型Tool.functionDeclarations(listOf(getTodoList,addTodo,removeTodo,toggleTodoStatus),),),)// 连接到实时会话try{session=generativeModel.connect()// 建立连接，准备接收和发送音频流}catch(e:Exception){Log.e(TAG,"Error connecting to the model",e)liveSessionState.value=LiveSessionState.Error}

3. 设备端图像描述 (Gemini Nano)

此代码来自GenAIImageDescriptionViewModel.kt，展示了如何使用ML Kit API调用设备端Gemini Nano模型进行图像描述，完全在本地运行。

// 初始化ML Kit图像描述客户端privatevarimageDescriber:ImageDescriber=ImageDescription.getClient(ImageDescriberOptions.builder(context).build(),)/** * 生成图像描述的核心方法。 * @param imageUri 要描述图像的Uri */privatesuspendfungenerateImageDescription(imageUri:Uri){// 更新UI状态为“生成中”_uiState.value=GenAIImageDescriptionUiState.Generating("")// 从Uri加载Bitmapvalbitmap=MediaStore.Images.Media.getBitmap(context.contentResolver,imageUri)// 构建图像描述请求valrequest=ImageDescriptionRequest.builder(bitmap).build()// 执行推理。runInference支持流式回调，可以在生成过程中实时更新UIimageDescriber.runInference(request){newText->// 每次模型生成新的文本片段时回调_uiState.update{currentState->// 累加生成的文本(currentStateas?GenAIImageDescriptionUiState.Generating)?.copy(partialOutput=currentState.partialOutput+newText)?:currentState}}.await()// 等待推理完全完成// 推理完成，更新UI状态为“成功”等...}

4. Imagen 图像编辑（局部重绘）

此代码来自ImagenEditingDataSource.kt，展示了如何使用Imagen编辑模型，根据用户绘制的遮罩和文本提示对图像进行局部修改（Inpainting）。

/** * 使用遮罩对图像进行局部重绘。 * @param sourceImage 原始图像 * @param maskImage 遮罩图像（白色区域表示需要重绘的部分） * @param prompt 描述重绘内容的文本提示 * @param editSteps 编辑步数，影响生成质量 * @return 编辑后的图像Bitmap */@OptIn(PublicPreviewAPI::class)suspendfuninpaintImageWithMask(sourceImage:Bitmap,maskImage:Bitmap,prompt:String,editSteps:Int=DEFAULT_EDIT_STEPS):Bitmap{// 调用Imagen编辑模型的editImage方法valimageResponse=editingModel.editImage(// 参考图像：包含原始图像和遮罩referenceImages=listOf(ImagenRawImage(sourceImage.toImagenInlineImage()),// 转换原始图像为Imagen格式ImagenRawMask(maskImage.toImagenInlineImage()),// 转换遮罩为Imagen格式),prompt=prompt,// 重绘提示config=ImagenEditingConfig(editMode=ImagenEditMode.INPAINT_INSERTION,// 指定编辑模式为“局部插入重绘”editSteps=editSteps,),)// 返回生成的第一个图像returnimageResponse.images.first().asBitmap()}

更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

http://www.cnnetsun.cn/news/89087.html

相关文章：

  • 信息安全技术与Kali Linux
  • GEO系统：多区域搜索排名监控与品牌形象统一维护解决方案
  • 17、Apache服务器的代理配置、URL重写、自定义日志及性能监控
  • 18、Apache服务器性能测试与配置全解析
  • PostgreSQL 18 远程操作实战：从连接到备份的操作实践记录
  • S33-装一个Server2016+PCS7虚拟机
  • LobeChat能否部署在腾讯云CVM？国产云服务商适配教程
  • 本地使用ComfyUI运行Stable Diffusion 3.5
  • 力扣(LeetCode) 27: 移除元素 - 解法思路
  • 国内企业在泰国的三大机遇与四大挑战：玛雅出海东南亚的破局之道
  • 手把手教你部署LobeChat镜像，打造专属AI助手门户
  • Dify + HuggingFace镜像网站加速模型加载技巧
  • Docker安装TensorRT镜像时的网络代理设置技巧
  • EmotiVoice：开源多情感TTS引擎
  • LobeChat能否防范偏见歧视？公平性优化措施
  • 网络安全审查第一案回顾与启示
  • offsetof 宏的实现
  • vsftpd 安装、升级、配置全流程总结（含问题解决方案）
  • HunyuanVideo-Foley部署：本地与云端GPU实战
  • LangChain工具使用：简化AI函数调用
  • Docker 镜像打包为 tar 并在其他环境加载运行（离线部署实战指南）
  • Docker 镜像体积优化实战：从 1GB 到 100MB
  • LobeChat能否分配任务？团队协作智能调度
  • LobeChat能否拒绝不当请求？安全护栏实践
  • 基于Docker安装的TensorRT镜像实现高并发推理
  • LobeChat能否支持WebRTC？实时音视频通话功能展望
  • 基于STM32单片机双轴追光系统光照自动向日寻光蓝牙无线APP/WiFi无线APP/摄像头视频监控/云平台设计S344
  • Linly-Talker容器化构建与部署指南
  • Plotly Dash多页面仪表盘的构建框架
  • 数据可视化中色彩运用的核心指南