Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

‫🎬 יצירה ופריסה של מעבדת תנועה מבוססת-AI באמצעות Gemini, ‏ Veo ו-Cloud Run

1. מבוא

מה תפַתחו

‫Gemini Motion Lab הוא חוויה אינטראקטיבית של קיוסק שמבוססת על AI. משתמש מצלם קטע קצר של ריקוד או תנועה, והמערכת:

מנתח את התנועה באמצעות Gemini (חלקי גוף, שלבים, קצב, אנרגיה)
יצירת תמונה של דמות מעוצבת באמצעות Nano Banana (תמונה של Gemini Flash)
יוצר סרטון מ-AI באמצעות Veo שבו התנועה משוחזרת באמצעות הדמות
יוצר סרטון שבו מוצגים זה לצד זה הסרטון המקורי והסרטון שנוצר על ידי AI
שיתוף התוצאה באמצעות קוד QR בדף שמיועד לנייד

בסיום שיעור ה-Codelab הזה, ההדגמה המלאה תיפרס ב-Google Cloud Run ותבינו את פייפליין ה-AI שמפעיל אותה.

סקירה כללית של הארכיטקטורה

הדגמה סופית:

גרסת כיסוי

טכנולוגיות ליבה

רכיב	טכנולוגיה	מטרה
ניתוח תנועה	Gemini Flash	ניתוח של סרטון כדי לזהות תנועות גוף, שלבים וסגנון
יצירת דמויות	‫Gemini Flash Image (Nano Banana)	יצירת דמות מעוצבת בגודל 1024x1024 מפריים מרכזי
יצירת סרטונים	Veo 3.1	יצירת סרטון AI מהאווטאר + הנחיה לגבי תנועה
Backend	‫FastAPI + Python 3.11	שרת API עם תזמור אסינכרוני של פייפליינים
Frontend	React + Vite + TypeScript	ממשק משתמש של קיוסק עם הקלטה מהמצלמה וסטטוס בזמן אמת
אירוח	Cloud Run	פריסה בקונטיינרים בלי שרת (serverless)
אחסון	Google Cloud Storage	העלאות של סרטונים, פריים, פלט חתוך ומורכב

2. ‫📦 שכפול המאגר

1. פתיחת Cloud Shell Editor

‫👉 פותחים את Cloud Shell Editor בדפדפן.

אם הטרמינל לא מופיע בתחתית המסך:

לוחצים על הצגה.
לוחצים על Terminal (מסוף).

2. שיבוט הקוד

‫👈💻 בטרמינל, משכפלים את המאגר:

cd ~
git clone https://github.com/cuppibla/gemini-motion-lab-starter.git
cd gemini-motion-lab-starter

3. עיון במבנה הפרויקט

סקירה מהירה של פריסת המאגר:

gemini-motion-lab-starter/
├── backend/                     # FastAPI backend (Python 3.11)
│   ├── app/
│   │   ├── main.py              # FastAPI app entry point
│   │   ├── config.py            # Environment-based settings
│   │   ├── routers/             # API endpoints (upload, analyze, generate, share...)
│   │   ├── services/            # Business logic (Gemini, Veo, storage, pipeline...)
│   │   └── prompts/             # AI prompt templates
│   ├── Dockerfile
│   └── pyproject.toml
├── frontend/                    # React + Vite + TypeScript
│   ├── src/                     # React components
│   ├── public/                  # Static assets
│   ├── Dockerfile
│   └── nginx.conf
├── init.sh                      # Create GCP project & link billing
├── billing-enablement.py        # Auto-link billing account
├── setup.sh                     # Create GCS bucket, service account, .env
└── scripts/                     # Utility scripts

3. 🛠️ מימוש קרדיטים ויצירת פרויקט GCP

חלק 1: מימוש שוברי הפרסום

‫👉 אפשר לממש את הקרדיט בחשבון לחיוב באמצעות חשבון Gmail.

חלק 2: יצירת פרויקט חדש

‫👈💻 בטרמינל, הופכים את סקריפט ההפעלה לקובץ הפעלה ומריצים אותו:

cd ~/gemini-motion-lab-starter
chmod +x init.sh
./init.sh

הסקריפט init.sh:

יצירת פרויקט חדש ב-GCP עם הקידומת gemini-motion-lab
שומרים את מזהה הפרויקט ב-~/project_id.txt
התקנת תלות בחיוב וקישור אוטומטי של החשבון לחיוב

חלק 3: הגדרת הפרויקט והפעלת ממשקי API

‫👈💻 מגדירים את מזהה הפרויקט במסוף:

gcloud config set project $(cat ~/project_id.txt) --quiet

‫👈💻 מפעילים את Cloud APIs של Google שנדרשים לפרויקט הזה (הפעולה הזו אורכת כדקה עד שתי דקות):

gcloud services enable \
    run.googleapis.com \
    cloudbuild.googleapis.com \
    aiplatform.googleapis.com \
    storage.googleapis.com \
    artifactregistry.googleapis.com

4. 🧠 [לקריאה בלבד] הסבר על הארכיטקטורה

בסעיף הזה מוסבר איך צינור ה-AI פועל מקצה לקצה. לא נדרשת פעולה – פשוט קוראים כדי להבין את המערכת לפני הפריסה.

צינור ה-AI

כשמשתמש מצלם קליפ תנועה בקיוסק, חמישה שלבים מופעלים ברצף:

שלב 1: העלאת סרטון

ממשק הקצה מתעד סרטון WebM באורך 5 שניות מהמצלמה של המשתמש ומעלה אותו אל Google Cloud Storage דרך נקודת הקצה /api/upload של ה-Backend.

POST /api/upload/{video_id}  →  gs://BUCKET/uploads/{video_id}.webm

שלב 2: ניתוח תנועה באמצעות Gemini

הקצה העורפי שולח את הסרטון שהועלה אל Gemini Flash ‏ (gemini-3-flash-preview) לניתוח מובנה.

איך זה עובד (backend/app/services/gemini_service.py):

השירות משתמש ב-client.models.generate_content() של Vertex AI SDK עם הסרטון כקלט Part.from_uri והנחיה מובנית. התו response_mime_type="application/json" מבטיח ש-Gemini יחזיר קובץ JSON שאפשר לנתח. בנוסף, המודל משתמש ב-ThinkingConfig(thinking_budget=1024) כדי להסיק מסקנות טובות יותר לגבי שלבי התנועה.

# Simplified from gemini_service.py
response = client.models.generate_content(
    model="gemini-3-flash-preview",
    contents=[
        types.Part.from_uri(file_uri=gcs_uri, mime_type="video/webm"),
        MOTION_ANALYSIS_PROMPT,  # detailed prompt template
    ],
    config=types.GenerateContentConfig(
        response_mime_type="application/json",
        thinking_config=types.ThinkingConfig(thinking_budget=1024),
    ),
)
analysis = json.loads(response.text)

שלב 3: יצירת אווטאר באמצעות Nano Banana

באמצעות הפריים הכי טוב שחולץ מהסרטון, Gemini Flash Image ‏ (gemini-3.1-flash-image-preview) יוצר אווטאר מסוגנן בגודל 1024×1024.

איך זה עובד (backend/app/services/nano_banana_service.py):

# Simplified from nano_banana_service.py
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[
        types.Content(role="user", parts=[
            types.Part.from_bytes(data=frame_bytes, mime_type="image/png"),
            types.Part.from_text(text=avatar_prompt),
        ])
    ],
    config=types.GenerateContentConfig(
        response_modalities=["IMAGE"],
        image_config=types.ImageConfig(
            aspect_ratio="1:1",
            output_mime_type="image/png",
        ),
    ),
)

קובץ ה-PNG של האווטאר שנוצר מועלה ל-GCS ועובר לשלב הבא.

שלב 4: יצירת סרטונים באמצעות Veo

תמונת האווטאר משמשת כנכס הפניה ל-Veo 3.1 (veo-3.1-fast-generate-001) כדי ליצור סרטון AI באורך 8 שניות.

איך זה עובד (backend/app/services/veo_service.py):

# Simplified from veo_service.py
config = GenerateVideosConfig(
    reference_images=[
        VideoGenerationReferenceImage(
            image=Image(gcs_uri=avatar_gcs_uri, mime_type="image/png"),
            reference_type="ASSET",
        )
    ],
    aspect_ratio="16:9",
    duration_seconds=8,
    output_gcs_uri=f"gs://{BUCKET}/output/{video_id}/",
)
operation = client.models.generate_videos(
    model="veo-3.1-fast-generate-001",
    prompt=veo_prompt,
    config=config,
)

היצירה ב-Veo היא אסינכרונית – היא מחזירה מזהה פעולה באופן מיידי. הקצה העורפי מבצע בדיקה חוזרת של הפעולה עד שהיא מסתיימת (עד 10 דקות).

שלב 5: צינור עיבוד נתונים לאחר העיבוד

אחרי ש-Veo מסיים, צינור עיבוד הנתונים ברקע (backend/app/services/pipeline.py) פועל באופן אוטומטי:

חיתוך של הפלט של Veo באורך 8 שניות ל-3 שניות
הרכבת סרטון זה לצד זה (ההקלטה המקורית מימין, סרטון ה-AI משמאל)
מעלים את הסרטון המורכב אל GCS
פרסום המשבצת בתור

הפייפליין הזה פועל ברקע asyncio.Task – אין צורך להמתין לקצה הקדמי של הקיוסק.

מערכת התורים

יצירת סרטונים ב-Veo היא פעולה שדורשת הרבה משאבים, ולכן המערכת מגבילה את מספר המשימות שניתן להריץ בו-זמנית ל-3 לכל היותר:

# backend/app/routers/queue.py
MAX_CONCURRENT_JOBS = 3

@router.get("/queue/status")
async def queue_status():
    return {
        "active_jobs": len(_active_jobs),
        "max_jobs": MAX_CONCURRENT_JOBS,
        "available": len(_active_jobs) < MAX_CONCURRENT_JOBS,
    }

הקצה הקדמי בודק את GET /api/queue/status לפני שמשתמש חדש מתחיל סשן. כשפייפליין מסתיים ומפעיל את complete(video_id), המשבצת נפתחת למשתמש הבא.

‫Cloud Run – קונטיינרים ללא שרת

הקצה העורפי והקצה הקדמי נפרסים כשירותי Cloud Run:

שירות	מטרה	הגדרת מפתח
בק-אנד	שרת FastAPI API	זיכרון בנפח 2GiB (לעיבוד וידאו באמצעות ffmpeg)
קצה קדמי	אפליקציית React סטטית שמוצגת על ידי Nginx	זיכרון ברירת המחדל

5. ⚙️ הרצת סקריפט ההגדרה

1. הפעלת תהליך ההגדרה האוטומטי

הסקריפט setup.sh יוצר את משאבי הענן הנדרשים ומפיק את קובץ .env.

‫👈💻 הופכים את הסקריפט לניתן להרצה ומפעילים פתרונות חכמים:

cd ~/gemini-motion-lab-starter
chmod +x setup.sh
./setup.sh

2. הקצאת תפקידי IAM

עכשיו מעניקים לחשבון השירות את ההרשאות הנדרשות.

‫👈💻 מריצים את הפקודות הבאות כדי להגדיר את מזהה הפרויקט ולהעניק את שלושת התפקידים:

export PROJECT_ID=$(cat ~/project_id.txt)

# 1. Storage Admin — upload/download videos and frames
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:gemini-motion-lab-sa@${PROJECT_ID}.iam.gserviceaccount.com" \
  --role="roles/storage.admin"

# 2. Vertex AI User — call Gemini and Veo models
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:gemini-motion-lab-sa@${PROJECT_ID}.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"

# 3. Service Account Token Creator — generate signed URLs for GCS
PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")
COMPUTE_SA="${PROJECT_NUMBER}-compute@developer.gserviceaccount.com"

gcloud iam service-accounts add-iam-policy-binding \
  gemini-motion-lab-sa@${PROJECT_ID}.iam.gserviceaccount.com \
  --project=$PROJECT_ID \
  --member="serviceAccount:${COMPUTE_SA}" \
  --role="roles/iam.serviceAccountTokenCreator"

3. אימות קובץ `.env`

‫👉💻 בודקים את קובץ ה-.env שנוצר:

cat .env

הפרטים שמוצגים הם:

GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=us-central1
GCS_BUCKET=gemini-motion-lab-your-project-id
GCS_SIGNING_SA=gemini-motion-lab-sa@your-project-id.iam.gserviceaccount.com
GOOGLE_GENAI_USE_VERTEXAI=true
MOCK_AI=false

6. 🚀 פריסת הקצה העורפי

1. הסבר על קובץ ה-Dockerfile של ה-Backend

לפני הפריסה, כדאי להבין איך נראה ה-container:

# backend/Dockerfile
FROM python:3.11-slim                           # Python base image
RUN apt-get update && apt-get install -y \
    ffmpeg libgl1 libglib2.0-0 \                # ffmpeg for video processing
    && rm -rf /var/lib/apt/lists/*
WORKDIR /app
COPY pyproject.toml .
RUN pip install --no-cache-dir .                # Install Python dependencies
COPY app/ ./app/                                # Copy application code
EXPOSE 8080
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8080"]

2. פריסה ב-Cloud Run

‫👈💻 טוענים את משתני הסביבה ומבצעים פריסה:

source .env

cd ~/gemini-motion-lab-starter/backend

gcloud run deploy gemini-motion-lab-backend \
  --source . \
  --region us-central1 \
  --allow-unauthenticated \
  --min-instances 1 \
  --max-instances 3 \
  --memory 2Gi \
  --port 8080 \
  --project $GOOGLE_CLOUD_PROJECT \
  --set-env-vars "GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT,GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION,GCS_BUCKET=$GCS_BUCKET,GCS_SIGNING_SA=$GCS_SIGNING_SA,GOOGLE_GENAI_USE_VERTEXAI=$GOOGLE_GENAI_USE_VERTEXAI,MOCK_AI=$MOCK_AI"

התהליך נמשך כ-3 עד 5 דקות. ‫Cloud Build יבצע את הפעולות הבאות:

העלאת קוד המקור
יצירת קובץ האימג' של Docker
העלאה ל-Artifact Registry
פריסה ב-Cloud Run

3. שמירת כתובת ה-URL של ה-Backend

‫👈💻 אחרי הפריסה, שומרים את כתובת ה-URL של ה-Backend:

BACKEND_URL=$(gcloud run services describe gemini-motion-lab-backend \
  --region us-central1 \
  --format="value(status.url)" \
  --project $GOOGLE_CLOUD_PROJECT)

echo "Backend URL: $BACKEND_URL"

הקצה העורפי יוצר קודי QR כדי שהמשתמשים יוכלו להוריד את הסרטונים שלהם. כדי לעשות את זה, הוא צריך לדעת את כתובת ה-URL הציבורית שלו.

‫👈💻 מעדכנים את הגדרות ה-Backend עם כתובת ה-URL שלו:

gcloud run services update gemini-motion-lab-backend \
  --region us-central1 \
  --update-env-vars PUBLIC_BASE_URL=$BACKEND_URL \
  --project $GOOGLE_CLOUD_PROJECT

5. אימות ה-Backend

‫👈💻 בדיקת נקודת הקצה של הבריאות:

curl $BACKEND_URL/api/health

הפלט הצפוי:

{"status":"ok"}

‫👉💻 בדיקת סטטוס התור:

curl $BACKEND_URL/api/queue/status

הפלט הצפוי:

{"active_jobs":0,"max_jobs":3,"available":true}

7. 🎨 פריסת הקצה הקדמי

1. הסבר על קובץ ה-Dockerfile של הקצה הקדמי

החלק הקדמי של האתר משתמש בmulti-stage build – קודם הוא בונה את אפליקציית React, ואז מציג אותה באמצעות Nginx:

# frontend/Dockerfile
FROM node:20-alpine AS builder               # Stage 1: Build
WORKDIR /app
COPY package*.json ./
RUN npm ci
COPY . .
ARG VITE_API_BASE=https://...                # Backend URL baked at build time
ENV VITE_API_BASE=$VITE_API_BASE
RUN npm run build                            # Produces static files in /app/dist

FROM nginx:alpine                            # Stage 2: Serve
COPY --from=builder /app/dist /usr/share/nginx/html
COPY nginx.conf /etc/nginx/conf.d/default.conf
EXPOSE 8080

2. פריסה ב-Cloud Run

‫👈💻 קודם כותבים את כתובת ה-URL של ה-Backend בקובץ .env כדי ש-Vite יוכל להוסיף אותה בזמן ה-Build:

cd ~/gemini-motion-lab-starter/frontend
echo "VITE_API_BASE=$BACKEND_URL" > .env

‫👈💻 עכשיו פורסים את הקצה הקדמי:

gcloud run deploy gemini-motion-lab-frontend \
  --source . \
  --region us-central1 \
  --allow-unauthenticated \
  --min-instances 1 \
  --max-instances 3 \
  --port 8080 \
  --project $GOOGLE_CLOUD_PROJECT

התהליך נמשך כ-2-3 דקות.

3. איך מוצאים את כתובת ה-URL של ממשק הקצה

‫👉💻 מאחזרים ופותחים את כתובת ה-URL של חזית האתר:

FRONTEND_URL=$(gcloud run services describe gemini-motion-lab-frontend \
  --region us-central1 \
  --format="value(status.url)" \
  --project $GOOGLE_CLOUD_PROJECT)

echo "🎬 Your Gemini Motion Lab is live at: $FRONTEND_URL"

‫👈 פותחים את כתובת ה-URL בדפדפן – אמור להופיע הממשק של עמדת המידע של Gemini Motion Lab.

8. 🎮 [אופציונלי] משחק עם ההדגמה

1. הקלטת תנועה

פותחים את כתובת ה-URL של חזית האתר בדפדפן (מומלץ להשתמש ב-Chrome כדי לקבל את התמיכה הטובה ביותר במצלמה)
לוחצים על התחלה כדי להתחיל להקליט.
רוקדים או זזים במשך כ-5 שניות – תנועות גדולות של הידיים ותנוחות דינמיות מניבות את התוצאות הטובות ביותר
ההקלטה תיפסק ותועלה אוטומטית

2. צפייה בצינור עיבוד הנתונים של ה-AI

אחרי ההעלאה, תוכלו לראות את הפעלת צינור הנתונים בזמן אמת:

שלב	מה קורה	משך
בתהליך ניתוח…	‫Gemini Flash מנתח את הסרטון כדי לזהות דפוסי תנועה	‫~5-10 שניות
יצירת דמות…	‫Nano Banana יוצר אווטאר מסוגנן מהפריים הכי טוב שלכם	‫~8-12 שנ'
יצירת סרטון...	‫Veo 3.1 יוצר סרטון AI מהדמות + הנחיית התנועה	‫~60-120 שניות
בתהליך כתיבה...	‫ffmpeg חותך את הסרטון ויוצר השוואה זה לצד זה	‫~5-10 שניות

אחרי שהצינור יסיים את הפעולה:

קוד QR מופיע במסך הקיוסק
סורקים את קוד ה-QR באמצעות הטלפון.
יוצג דף שיתוף שעבר אופטימיזציה לניידים עם הסרטון שיצרתם

4. בדיקת יומני הרישום של ה-Backend

‫👉💻 צפייה במה שקרה מאחורי הקלעים:

gcloud logging read \
  "resource.type=cloud_run_revision AND resource.labels.service_name=gemini-motion-lab-backend" \
  --limit=30 \
  --project $GOOGLE_CLOUD_PROJECT \
  --format="value(timestamp,textPayload)" \
  --freshness=10m

יוצגו שורות ביומן שמתעדות את הפייפליין:

Pipeline started for video_id=abc123
Gemini model used: gemini-3-flash-preview
Avatar generated: style=pixel-hero size=450KB time=8.2s
Veo model used: veo-3.1-fast-generate-001
Pipeline: Veo complete for video_id=abc123
Pipeline: trimmed video uploaded
Pipeline: composed video uploaded
Pipeline complete for video_id=abc123

5. מעקב אחרי התור

‫👈💻 בדיקה של מספר המשימות שפועלות:

curl $BACKEND_URL/api/queue/status

אם 3 סשנים פעילים בו-זמנית, התגובה תהיה:

{"active_jobs":3,"max_jobs":3,"available":false}

משתמשים חדשים יתבקשו להמתין עד שיתפנה מקום.

9. ‫🎉 סיכום

מה יצרתם

‫✅ AI Motion Analysis – Gemini Flash מנתח סרטונים כדי לזהות תנועה, קצב וסגנון

‫✅ יצירת דמויות – Nano Banana יוצר דמויות מסוגננות מפריים של סרטונים

‫✅ AI Video Creation — Veo 3.1 generates new videos matching the user's motion

‫✅ Async Pipeline – עיבוד ברקע עם ניהול תורים (עד 3 תורים בו-זמנית)

‫✅ Side-by-Side Composition – קומפוזיציה של סרטונים זה לצד זה שמבוססת על ffmpeg

‫✅ Cloud Run Deployment – פריסה ללא שרתים (serverless), התאמה אוטומטית לעומס (auto-scaling), ללא ניהול שרתים

מושגים מרכזיים שלמדתם

‫Gemini Multimodal – שליחת וידאו כקלט וקבלת ניתוח מובנה ב-JSON
‫Nano Banana (יצירת תמונות ב-Gemini) – יצירת אווטרים באמצעות תמונות להשוואה + הנחיות סגנון
‫Veo 3.1 – יצירת סרטונים אסינכרונית עם נכסי הפניה והנחיות טקסט
‫Cloud Run – פריסת קונטיינרים עם משתני סביבה והתאמה אוטומטית לעומס
תבנית פייפליין אסינכרוני – משימות ברקע מסוג 'הפעלה ושכחה' עם asyncio.Task לפעולות AI ארוכות
ניהול תורים – הגבלת קצב של משימות AI מקבילות כדי לשלוט בעלויות ובמכסות של ממשקי API

סיכום הארכיטקטורה

מה השלב הבא?

הוספת סגנונות נוספים של דמויות – עריכה backend/app/prompts/avatar_generation.py
התאמה אישית של ההנחיה ב-Veo – עריכה backend/app/prompts/video_generation.py
הרצה מקומית במצב מדומה – מגדירים את MOCK_AI=true ב-.env לפיתוח בלי קריאות ל-API
התאמה של אירועים להיקף – הגדלת --max-instances ו-MAX_CONCURRENT_JOBS

API	מטרה
`run.googleapis.com`	‫Cloud Run – מארח את ה-backend וה-frontend שלנו כקונטיינרים ללא שרת
`cloudbuild.googleapis.com`	‫Cloud Build – יצירת קובצי אימג' של Docker מקוד מקור
`aiplatform.googleapis.com`	‫Vertex AI – גישה למודלים של Gemini ו-Veo
`storage.googleapis.com`	‫Cloud Storage – אחסון של סרטונים, פריימים ונכסים שנוצרו שהועלו
`artifactregistry.googleapis.com`	‫Artifact Registry – מאחסן קובצי אימג' של Docker שנוצרו

תפקיד	מטרה
`roles/storage.admin`	גישה מלאה לקריאה, לכתיבה ולניהול של אובייקטים ב-Cloud Storage – נדרשת להעלאות של סרטונים, למסגרות ולפלט מורכב
`roles/aiplatform.user`	ביצוע חיזויים באמצעות מודלים של Vertex AI – נדרש לניתוח Gemini, ליצירת אווטאר באמצעות Nano Banana וליצירת סרטונים באמצעות Veo
`roles/iam.serviceAccountTokenCreator`	יצירת כתובות URL חתומות כדי שדף השיתוף יוכל להציג סרטונים בטלפונים ניידים באמצעות קישורים מוגבלים בזמן

דגל	מטרה
`--source .`	יצירת קובץ אימג' של Docker ישירות מהמקור (Cloud Build מטפל בזה)
`--allow-unauthenticated`	הופך את ה-API לנגיש באופן ציבורי (נדרש עבור חזית האתר)
`--min-instances 1`	שמירה על לפחות מופע אחד במצב ביניים (warm start) כדי למנוע הפעלות במצב התחלתי (cold start)
`--max-instances 3`	הגבלת שינוי הגודל (כי אנחנו גם מגבילים ל-3 משימות Veo בו-זמניות)
`--memory 2Gi`	חובה לעיבוד סרטונים באמצעות ffmpeg
`--set-env-vars`	העברת כל ההגדרות כמשתני סביבה

‫🎬 יצירה ופריסה של מעבדת תנועה מבוססת-AI באמצעות Gemini, ‏ Veo ו-Cloud Run

1. מבוא

מה תפַתחו

סקירה כללית של הארכיטקטורה

טכנולוגיות ליבה

2. ‫📦 שכפול המאגר

1. פתיחת Cloud Shell Editor

2. שיבוט הקוד

3. עיון במבנה הפרויקט

3. 🛠️ מימוש קרדיטים ויצירת פרויקט GCP

חלק 1: מימוש שוברי הפרסום

חלק 2: יצירת פרויקט חדש

חלק 3: הגדרת הפרויקט והפעלת ממשקי API

4. 🧠 [לקריאה בלבד] הסבר על הארכיטקטורה

צינור ה-AI

שלב 1: העלאת סרטון

שלב 2: ניתוח תנועה באמצעות Gemini

שלב 3: יצירת אווטאר באמצעות Nano Banana

שלב 4: יצירת סרטונים באמצעות Veo

שלב 5: צינור עיבוד נתונים לאחר העיבוד

מערכת התורים

‫Cloud Run – קונטיינרים ללא שרת

5. ⚙️ הרצת סקריפט ההגדרה

1. הפעלת תהליך ההגדרה האוטומטי

2. הקצאת תפקידי IAM

3. אימות קובץ .env

6. 🚀 פריסת הקצה העורפי

1. הסבר על קובץ ה-Dockerfile של ה-Backend

2. פריסה ב-Cloud Run

3. שמירת כתובת ה-URL של ה-Backend

4. עדכון כתובת ה-URL לשיתוף של ה-Backend

5. אימות ה-Backend

7. 🎨 פריסת הקצה הקדמי

1. הסבר על קובץ ה-Dockerfile של הקצה הקדמי

2. פריסה ב-Cloud Run

3. איך מוצאים את כתובת ה-URL של ממשק הקצה

8. 🎮 [אופציונלי] משחק עם ההדגמה

1. הקלטת תנועה

2. צפייה בצינור עיבוד הנתונים של ה-AI

3. שיתוף היצירה

4. בדיקת יומני הרישום של ה-Backend

5. מעקב אחרי התור

9. ‫🎉 סיכום

מה יצרתם

מושגים מרכזיים שלמדתם

סיכום הארכיטקטורה

מה השלב הבא?

משאבים

3. אימות קובץ `.env`