Demande et utilisation de l’API Gemini Chat Completion

Google Gemini est un système de conversation IA très puissant. Il suffit de saisir un prompt pour générer des réponses fluides et naturelles en quelques secondes. Gemini peut fournir une assistance intelligente étonnante, améliorant considérablement l’efficacité du travail et la créativité humaines. Ce document présente principalement le processus d’utilisation de l’API Gemini Chat Completion. Grâce à elle, nous pouvons facilement utiliser la fonctionnalité de conversation officielle de Gemini.

Processus de demande

Pour utiliser l’API Gemini Chat Completion, accédez d’abord à la console Ace Data Cloud afin d’obtenir votre API Token et de le conserver pour une utilisation ultérieure.

Si vous ne vous êtes pas encore connecté ou inscrit, vous serez automatiquement redirigé vers la page de connexion afin de vous inviter à vous inscrire et à vous connecter. Une fois terminé, vous retournerez automatiquement à la page actuelle. Un seul API Token permet d’appeler tous les services de la plateforme, il n’est pas nécessaire d’en demander un séparément pour chaque service. Lors de votre première demande, un quota gratuit vous sera offert afin de l’essayer gratuitement ; lorsque le quota est insuffisant, vous pouvez recharger le solde général dans la console.

📘 Documentation complète : Gemini Chat Completion API →

Utilisation de base

Ensuite, vous pouvez remplir le contenu correspondant dans l’interface, comme indiqué sur l’image :

Lors de la première utilisation de cette interface, nous devons au minimum remplir trois éléments. Le premier est authorization, que vous pouvez sélectionner directement dans la liste déroulante. Un autre paramètre est model, model correspond à la catégorie de modèle du site officiel de Gemini que nous choisissons d’utiliser ; les modèles disponibles sont basés sur l’énumération model dans la documentation de l’interface. Le dernier paramètre est messages, messages est le tableau de prompts que nous saisissons ; il s’agit d’un tableau, ce qui signifie que plusieurs prompts peuvent être envoyés en même temps. Chaque prompt contient role et content, où role représente le rôle de l’interlocuteur ; nous proposons trois identités, à savoir user, assistant, system. L’autre élément, content, correspond au contenu spécifique de notre question. Vous pouvez également remarquer qu’un code d’appel correspondant est généré à droite ; vous pouvez copier le code et l’exécuter directement, ou cliquer directement sur le bouton « Try » pour effectuer un test.

Conseil : les modèles flash de la série gemini-3.x sont des modèles de raisonnement et consomment d’abord des reasoning tokens ; veuillez définir max_tokens au-dessus de 512, sinon seul un contenu vide pourra être renvoyé. gemini-3.8-flash est le modèle Flash actuellement recommandé, prenant en charge jusqu’à 1 million de Token de contexte, l’entrée d’images, l’appel d’outils et les réponses en streaming ; il est actuellement appelé via l’interface Chat Completions.

Après l’appel, nous constatons que le résultat renvoyé est le suivant :

{
  "id": "chatcmpl-20251122212413908150493uPhjTUO9",
  "model": "gemini-3.5-flash",
  "object": "chat.completion",
  "created": 1763817866,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "**My Reasoning: Answering the User's Question**\n\nOkay, here's how I'm going to approach answering the user's question, \"What model are you?\". The core is to be direct and informative. First, I have to be clear about my origin. Then, I need to make sure the explanation is accessible, given that the user may not be familiar with technical jargon. I need to explain what a \"large language model\" actually *does*, and provide relatable examples. I know the user might be looking for a specific name, like other models have, so I'll address that directly and then wrap it up with an invitation to continue.\n\nSo, here's my plan:\n\n1.  **Lead with the key info:** I'll begin by stating that I am a large language model created by Google. That is the fundamental, most critical piece of the puzzle.\n2.  **Define the buzzword:** Then, I'll explain that \"large language model\" in simple terms. I'll explain what I *do* - process and generate text; how I *do* it - by training on huge amounts of text data; and the *goal* - to be able to communicate like a human.\n3.  **Provide context:** After that, to make the concept even clearer, I'll provide a list of examples of my capabilities. I'll mention things like answering questions, summarizing texts, writing stories, translating languages, and brainstorming ideas.\n4.  **Acknowledge the lack of a personal name:** I'll anticipate the likely question about a model name (like ChatGPT) by clearly stating that I don't have a personal name and that it's best to think of me as an AI assistant from Google.\n5.  **End with an invitation:** Lastly, I'll end with a simple, friendly question to invite further interaction and to guide the conversation.\n\nWith this approach, I am confident I can successfully answer this important question.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "completion_tokens": 932,
    "total_tokens": 940,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 8,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 921
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

Le résultat renvoyé comporte plusieurs champs, présentés comme suit :

id, l’ID de la tâche de conversation générée cette fois-ci, utilisé pour identifier de manière unique cette tâche de conversation.
model , le modèle du site officiel de Gemini sélectionné.
choices, les informations de réponse fournies par Gemini au prompt.
usage : les informations statistiques relatives aux token pour cette session de questions-réponses.

Parmi eux, choices contient les informations de réponse de Gemini ; les choices à l’intérieur correspondent aux informations spécifiques de la réponse de Gemini, comme indiqué sur l’image.

Vous pouvez voir que le champ content dans choices contient le contenu spécifique de la réponse de Gemini.

Compréhension d’images (entrée multimodale)

Gemini est un modèle multimodal natif et peut directement « voir les images ». Pour transmettre une image, remplacez le content d’un message d’une chaîne de caractères par un tableau de blocs de contenu, puis placez à la fois des blocs text et des blocs image_url dans le tableau — cela est entièrement identique au format compatible avec OpenAI ainsi qu’au format officiel Gemini compatible avec OpenAI. image_url.url prend en charge deux syntaxes :

URI data: base64 (recommandé, le plus stable) : le format est data:<type de média>;base64,<données>, par exemple data:image/jpeg;base64,/9j/4AAQ.... Le type de média (MIME) est déjà écrit dans le préfixe data:, il n’est donc pas nécessaire et il n’existe pas de champ media_type séparé.
URL d’image publiquement accessible : par exemple https://cdn.acedata.cloud/4hfydw.jpg.

Types d’images pris en charge : png, jpeg, webp, heic, heif. Exemple de code d’appel Python (URI data base64) :

import base64
import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

# 把本地图片读成 base64 data URI
with open("image.jpg", "rb") as f:
    base64_image = base64.b64encode(f.read()).decode("utf-8")
data_uri = f"data:image/jpeg;base64,{base64_image}"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请用一句话描述这张图片。"},
                {"type": "image_url", "image_url": {"url": data_uri}}
            ]
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Vous pouvez également transmettre directement l’URL d’une image publiquement accessible :

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请用一句话描述这张图片。"},
                {"type": "image_url", "image_url": {"url": "https://cdn.acedata.cloud/4hfydw.jpg"}}
            ]
        }
    ]
}

💡 image_url accepte uniquement le champ url (dont la valeur peut être une URL d’image ou un URI data: base64), ainsi que le champ facultatif detail. Ne transmettez pas media_type — il s’agit du champ d’image d’Anthropic Claude, qui ne fait pas partie du format image_url d’OpenAI / Gemini.

Réponse en streaming

Cette interface prend également en charge les réponses en streaming, ce qui est très utile pour l’intégration web et permet d’implémenter un effet d’affichage caractère par caractère sur une page web. Si vous souhaitez renvoyer la réponse en streaming, vous pouvez modifier le paramètre stream dans l’en-tête de la requête en le définissant sur true. La modification est illustrée ci-dessous, mais le code d’appel doit être modifié en conséquence afin de prendre en charge les réponses en streaming.

Après avoir modifié stream en true, l’API renverra les données JSON correspondantes ligne par ligne ; au niveau du code, nous devons effectuer les modifications correspondantes afin d’obtenir les résultats ligne par ligne. Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Hello,What model are you?"}],
    "stream": True,
    "stream_options": {"include_usage": True}
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

L’effet de sortie est le suivant :

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "", "role": "assistant"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Define My Nature**\n\nMy thinking has started. The user wants to know my nature, asking a direct \"what are you?\" The initial step was straightforward: identifying the query. Now, I recall my fundamental identity: I'm a large language model. This is the core truth I aim to convey.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Refining My Response**\n\nI've added the crucial information that I'm trained by Google to the basic \"large language model\" identity. My next step is considering what being a \"large language model\" actually entails, so I can explain my core capabilities. I'm focusing on providing context without going into specific technical details or model names. I want to convey my function in a way the user can easily understand.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Confirming Core Identity**\n\nI'm now solidifying my response. The user's query about my model affiliation needs a focused answer. I've pinpointed that \"trained by Google\" is essential, providing key context. I'm resisting the urge to mention any specific model names, as it's not relevant. The aim is to deliver a direct, accurate statement. My goal remains a clear and concise reply, avoiding technical jargon and getting straight to the relevant point.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "I am a large language model, trained by Google."}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {}, "logprobs": null, "finish_reason": "stop", "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": "", "choices": [], "usage": {"prompt_tokens": 8, "completion_tokens": 527, "total_tokens": 535, "prompt_tokens_details": {"cached_tokens": 0, "text_tokens": 8, "audio_tokens": 0, "image_tokens": 0}, "completion_tokens_details": {"text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 519}, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0}}

data: [DONE]

Comme vous pouvez le constater, la réponse contient de nombreux data ; les choices dans les data correspondent au contenu de réponse le plus récent, conformément à ce qui a été présenté ci-dessus. choices contient le nouveau contenu de réponse, que vous pouvez intégrer à votre système en fonction du résultat. En même temps, la fin de la réponse en streaming est déterminée selon le contenu de data ; si le contenu est [DONE], cela indique que la réponse en streaming est entièrement terminée. Le résultat data renvoyé contient plusieurs champs, présentés comme suit :

id, génère l’ID de cette tâche de conversation, utilisé pour identifier de manière unique cette tâche de conversation.
model , le modèle du site officiel Gemini sélectionné.
choices, les informations de réponse fournies par Gemini pour le mot de requête.

JavaScript est également pris en charge, par exemple le code d’appel en flux de Node.js est le suivant :

const options = {
  method: "POST",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json"
  },
  body: JSON.stringify({
    model: "gemini-2.5-pro",
    messages: [{ role: "user", content: "Hello, what model are you?" }],
    stream: true
  })
};

const response = await fetch("https://api.acedata.cloud/gemini/chat/completions", options);
const reader = response.body.getReader();
const decoder = new TextDecoder("utf-8");
while (true) {
  const { value, done } = await reader.read();
  if (done) break;
  process.stdout.write(decoder.decode(value));
}

Exemple de code Java :

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gemini-2.5-pro");
jsonObject.put("messages", new JSONArray().put(new JSONObject().put("role", "user").put("content", "Hello, what model are you?")));
jsonObject.put("stream", true);
MediaType mediaType = MediaType.parse("application/json; charset=utf-8");
RequestBody body = RequestBody.create(jsonObject.toString(), mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/gemini/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.println(response.body().string());

Les autres langages peuvent être réécrits séparément, le principe est le même.

Conversation multi-tours

Si vous souhaitez intégrer la fonctionnalité de conversation multi-tours, vous devez envoyer plusieurs mots de requête dans le champ messages, l’exemple concret de plusieurs mots de requête est présenté dans l’image ci-dessous :

Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Hello"},{"role":"assistant","content":"Hello there! How can I help you today?"},{"role":"user","content":"What model are you?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

En envoyant plusieurs mots de requête, vous pouvez facilement mettre en œuvre une conversation multi-tours et obtenir la réponse suivante :

{
  "id": "chatcmpl-20251122214426669120974AKFwnJd1",
  "model": "gemini-2.5-pro",
  "object": "chat.completion",
  "created": 1763819072,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "Okay, here's how I'd approach this, thinking as a sophisticated AI:\n\nFirst, the user is directly querying my core identity: \"What model are you?\" That's a simple, straightforward question. My primary task is to provide accurate and helpful information, so I need to answer this immediately.\n\nRight off the bat, I know the answer. I *am* a large language model. That's my fundamental architecture and operational principle. I'm built on a vast network of connections and trained on a massive dataset.\n\nThen I must add the necessary context. Crucially, I have to provide the source of my training. I *was* trained by Google. That's a key identifier. It provides the user with valuable information about my origin and potential biases (though I'm trained to mitigate them).\n\nNow I must construct the response. My goal is to be factual, concise, and understandable.\n\nThe synthesized response is something like: \"I am a large language model, trained by Google.\"\n\nI have to assess the output: Does it meet the criteria? It's clear. It states what I am, it includes a critical piece of information on my origins, and it avoids jargon. No misleading promises.\n\nFinal verification: Does it actually answer the question? Yes. Is the information correct and truthful? Yes. Is it concise? Absolutely. Is the tone appropriate for any user? Yes. And, finally, this is the standard, approved response. Excellent.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 16,
    "completion_tokens": 265,
    "total_tokens": 281,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 16,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 254
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

On peut voir que les informations contenues dans choices sont cohérentes avec le contenu de l’utilisation de base ; cela contient le contenu spécifique des réponses de Gemini à plusieurs conversations, ce qui permet ainsi de répondre aux questions correspondantes en fonction de plusieurs contenus de conversation.

Modèle multimodal Gemini-3.0

Exemple de requête :

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Exemple de résultat :

{
    "id": "chatcmpl-20251206001815715692730UVZe38kB",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764951548,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "这是一张年轻女性的户外半身人像照片。\n\n以下是图片的主要内容描述：\n\n*   **人物外貌**：照片中的女孩留着一头乌黑柔顺的长直发，五官清秀，皮肤白皙。她面带温柔的微笑，目光注视着镜头。\n*   **穿着打扮**：她穿着一件米白色或浅杏色的泡泡袖上衣，外面搭配着黑色的衣物（看起来像是背带裙或马甲）。\n*   **光影氛围**：阳光从左侧后方照射过来，洒在她的头发上，形成了一圈温暖的金黄色光晕，营造出一种清新、唯美的氛围。\n*   **背景**：背景被虚化处理，可以看出是在户外，身后是一条空旷的路面（柏油路）以及路边的绿色树木。\n\n整体来看，这张照片给人一种甜美、阳光和邻家女孩的感觉。"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 1092,
        "completion_tokens": 1271,
        "total_tokens": 2363,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 4,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1072
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}

Bien sûr, vous pouvez également transmettre, par exemple, un lien vers une vidéo ; l’entrée spécifique est la suivante :

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

Exemple de résultat :

{
    "id": "chatcmpl-20251206002711949677736JC9yL8AE",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764952060,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "这段视频的内容充满趣味，主要展示了一只**橘猫**在黄昏时分的乡间公路上自信小跑的情景。\n\n具体细节如下：\n\n1.  **画面内容**：\n    *   主角是一只橘色的虎斑猫。\n    *   背景是夕阳西下（或清晨）的时刻，光线金黄柔和。路边有木质栅栏和旷野，远处还有一个行人的剪影。\n    *   镜头采用了低角度拍摄，时而拍摄猫咪迎面跑来，时而拍摄它离去的背影，还有猫咪面部和花纹的特写。\n\n2.  **声音特点（关键点）**：\n    *   视频的配音非常有特色。虽然画面是轻盈的猫咪在跑，但配上的声音却是**沉重且有节奏的马蹄声**（或者是类似木屐/高跟鞋敲击路面的声音）。\n    *   这种声音与画面的反差制造了一种幽默感，仿佛这只猫咪把自己当成了一匹正在驰骋的骏马。\n\n总的来说，这是一个利用音画反差来制造萌点和笑点的宠物视频。"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 915,
        "completion_tokens": 1423,
        "total_tokens": 2338,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 5,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1162
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}

On peut voir ci-dessus que le modèle Gemini 3.0 peut prendre en charge la compréhension multimodale.

Modèle multimodal Gemini-3.1

gemini-3.1-pro-preview est l’ID de modèle officiel actuel de Gemini 3.1 Pro ; il prend en charge les entrées multimodales telles que le texte, les images et les vidéos, et convient aux tâches de raisonnement complexe, de codage et de compréhension. Exemple de requête :

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Gemini 3.1 Pro prend également en charge la compréhension vidéo :

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

Le format de retour est identique à celui de Gemini 3.0 Pro ; consultez les explications de la section sur le modèle multimodal Gemini-3.0 ci-dessus pour plus de détails.

Gestion des erreurs

Lors de l’appel de l’API, si une erreur survient, l’API renvoie le code d’erreur et les informations correspondants. Par exemple :

400 token_mismatched : Mauvaise requête, possiblement en raison de paramètres manquants ou non valides.
400 api_not_implemented : Mauvaise requête, possiblement en raison de paramètres manquants ou non valides.
401 invalid_token : Non autorisé, jeton d’autorisation non valide ou manquant.
429 too_many_requests : Trop de requêtes, vous avez dépassé la limite de débit.
500 api_error : Erreur interne du serveur, un problème est survenu sur le serveur.

Exemple de réponse d’erreur

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusion

Grâce à ce document, vous avez appris à utiliser facilement la Gemini Chat Completion API pour implémenter la fonctionnalité de conversation officielle de Gemini. Nous espérons que ce document vous aidera à mieux intégrer et utiliser cette API. Si vous avez des questions, veuillez contacter notre équipe de support technique à tout moment.

Démarrage

Chat IA

Image IA

Vidéo IA

Audio IA

Web & Données

CAPTCHA

Identité

Coding

Autres guides

Demande et utilisation de l’API Gemini Chat Completion

Processus de demande

Utilisation de base

Compréhension d’images (entrée multimodale)

Réponse en streaming

Conversation multi-tours

Modèle multimodal Gemini-3.0

Modèle multimodal Gemini-3.1

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion

​Processus de demande

​Utilisation de base

​Compréhension d’images (entrée multimodale)

​Réponse en streaming

​Conversation multi-tours

​Modèle multimodal Gemini-3.0

​Modèle multimodal Gemini-3.1

​Gestion des erreurs

​Exemple de réponse d’erreur

​Conclusion

Processus de demande

Utilisation de base

Compréhension d’images (entrée multimodale)

Réponse en streaming

Conversation multi-tours

Modèle multimodal Gemini-3.0

Modèle multimodal Gemini-3.1

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion