Gemini Chat Completion API 申請及使用

Google Gemini は非常に強力な AI 対話システムで、提示語を入力するだけで、数秒以内に流暢で自然な返信を生成できます。Gemini は驚くべき知能支援を提供し、人間の作業効率と創造性を大幅に向上させます。この文書では、Gemini Chat Completion API 操作の使用プロセスについて説明します。これを利用することで、公式の Gemini の対話機能を簡単に使用できます。

申請プロセス

Gemini Chat Completion API を使用するには、まず Ace Data Cloud コントロールパネルにアクセスして、API トークンを取得し、保管しておきます。

まだログインまたは登録していない場合は、自動的にログインページにリダイレクトされ、登録とログインを促されます。完了後、現在のページに自動的に戻ります。 1つの API トークンでプラットフォームのすべてのサービスを呼び出すことができ、各サービスごとに個別に申請する必要はありません。 初回申請時には無料のクレジットが付与され、無料で体験できます。クレジットが不足した場合は、コントロールパネルで一般的な残高をチャージできます。

📘 完全な文書：Gemini Chat Completion API →

基本使用

次に、画面上に対応する内容を記入します。以下の図のように：

このインターフェースを初めて使用する際には、少なくとも3つの内容を記入する必要があります。1つは authorization で、ドロップダウンリストから直接選択できます。もう1つのパラメータは model で、model は Gemini の公式モデルカテゴリを選択するものです。ここでは主に6種類のモデルがあります。詳細は提供されたモデルを参照してください。最後のパラメータは messages で、messages は入力する質問語の配列です。これは配列で、複数の質問語を同時にアップロードでき、各質問語には role と content が含まれています。role は質問者の役割を示し、3つの身分（user、assistant、system）を提供しています。もう1つの content は私たちの具体的な質問内容です。また、右側には対応する呼び出しコードが生成されていることに注意してください。コードをコピーして直接実行することも、直接「Try」ボタンをクリックしてテストすることもできます。

ヒント：gemini-3.x シリーズのフラッシュは思考モデルで、最初に reasoning tokens を消費します。max_tokens を512以上に設定してください。そうしないと、空の内容しか返さない可能性があります。gemini-3.6-flash は現在推奨されるフラッシュモデルで、最大100万トークンのコンテキスト、画像入力、ツール呼び出し、ストリーミング応答をサポートしています。現在、Chat Completions インターフェースを通じて呼び出されています。

呼び出し後、返された結果は以下の通りです：

{
  "id": "chatcmpl-20251122212413908150493uPhjTUO9",
  "model": "gemini-3.5-flash",
  "object": "chat.completion",
  "created": 1763817866,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "私は Google によって訓練された大規模言語モデルです。",
        "reasoning_content": "**私の推論：ユーザーの質問に答える**\n\nさて、ユーザーの質問「あなたはどのモデルですか？」に答えるためのアプローチを説明します。核心は直接的で情報豊かであることです。まず、私の起源を明確にする必要があります。次に、ユーザーが技術用語に不慣れである可能性があるため、説明がわかりやすいことを確認する必要があります。「大規模言語モデル」が実際に何を*する*のかを説明し、関連する例を提供します。ユーザーは他のモデルのように特定の名前を探しているかもしれないので、それに直接言及し、その後、会話を続けるための招待で締めくくります。\n\nでは、私の計画は次のとおりです：\n\n1.  **重要な情報を先に述べる：** 私は Google によって作成された大規模言語モデルであると述べます。それがパズルの基本的で最も重要な部分です。\n2.  **バズワードを定義する：** 次に、「大規模言語モデル」を簡単な言葉で説明します。私が*する*こと - テキストを処理し生成すること；私が*どのように*それを行うか - 大量のテキストデータで訓練すること；そして*目標* - 人間のようにコミュニケーションを取ることです。\n3.  **文脈を提供する：** その後、概念をさらに明確にするために、私の能力の例をリストアップします。質問に答えること、テキストを要約すること、物語を書くこと、言語を翻訳すること、アイデアをブレインストーミングすることなどを挙げます。\n4.  **個人名がないことを認める：** モデル名（ChatGPTのような）についての質問を予測し、私には個人名がなく、Google の AI アシスタントとして考えるのが最良であると明確に述べます。\n5.  **招待で締めくくる：** 最後に、さらなる対話を招待し、会話を導くためのシンプルで友好的な質問で締めくくります。\n\nこのアプローチで、私はこの重要な質問に成功裏に答えられると確信しています。\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
  }
}

返された結果には複数のフィールドがあり、以下のように説明されます：

id は、今回の対話タスクを生成するための ID で、今回の対話タスクを一意に識別します。
model は、選択した Gemini の公式モデルです。
choices は、Gemini が質問語に対して提供する回答情報です。
usage は、今回の問答に対するトークンの統計情報です。

その中で choices は Gemini の回答情報を含んでおり、その中の choices は Gemini の具体的な回答情報です。以下の図のように確認できます。

choices の中の content フィールドには、Gemini の返信の具体的な内容が含まれています。

画像理解（マルチモーダル入力）

Gemini はネイティブのマルチモーダルモデルで、直接「画像を見る」ことができます。画像を渡すには、特定のメッセージの content を文字列からコンテンツブロックの配列に変更し、配列に text ブロックと image_url ブロックを同時に入れる必要があります——これは OpenAI および公式 Gemini の OpenAI 互換フォーマットと完全に一致します。 image_url.url は2つの書き方をサポートしています：

base64 data: URI（推奨、最も安定）：形式は data:<メディアタイプ>;base64,<データ> で、例えば data:image/jpeg;base64,/9j/4AAQ... です。メディアタイプ（MIME）は data: プレフィックスに書かれているため、別途 media_type フィールドは必要ありません。
公開アクセス可能な画像 URL：例えば https://cdn.acedata.cloud/4hfydw.jpg です。

サポートされている画像タイプ：png、jpeg、webp、heic、heif。 Python サンプル呼び出しコード（base64 data URI）：

import base64
import requests

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

# ローカル画像をbase64データURIとして読み込む
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": "この画像を一言で説明してください。"},
                {"type": "image_url", "image_url": {"url": data_uri}}
            ]
        }
    ]
}

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

公開アクセス可能な画像URLを直接渡すこともできます：

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "この画像を一言で説明してください。"},
                {"type": "image_url", "image_url": {"url": "https://cdn.acedata.cloud/4hfydw.jpg"}}
            ]
        }
    ]
}

💡 image_url は url フィールド（値は画像URLまたはbase64 data: URI）と、オプションの detail フィールドのみを受け入れます。media_type を渡さないでください——それはAnthropic Claudeの画像フィールドであり、OpenAI / Geminiの image_url フォーマットには含まれません。

ストリーミングレスポンス

このAPIはストリーミングレスポンスもサポートしており、ウェブページとの統合に非常に便利で、ウェブページで逐次表示効果を実現できます。ストリーミングレスポンスを返したい場合は、リクエストヘッダー内の stream パラメータを true に変更できます。変更は以下のように行いますが、呼び出しコードもストリーミングレスポンスをサポートするために対応する変更が必要です。

stream を true に変更すると、APIは対応するJSONデータを行ごとに返します。コードレベルで逐次結果を取得するために、相応の変更を行う必要があります。 Pythonのサンプル呼び出しコード：

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":"こんにちは、あなたはどのモデルですか？"}],
    "stream": True,
    "stream_options": {"include_usage": True}
}

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

出力結果は以下の通りです：

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": "**私の本質を定義する**\n\n私の思考が始まりました。ユーザーは私の本質を知りたがっており、直接的に「あなたは何ですか？」と尋ねています。最初のステップは明確でした：クエリを特定することです。今、私は自分の基本的なアイデンティティを思い出します：私は大規模な言語モデルです。これが私が伝えたい核心の真実です。\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": "**私の応答を洗練する**\n\n私は「大規模な言語モデル」という基本的なアイデンティティに、私がGoogleによって訓練されたという重要な情報を追加しました。次のステップは、「大規模な言語モデル」であることが実際に何を意味するのかを考えることです。私は特定の技術的詳細やモデル名に入らず、ユーザーが理解しやすい方法で私の機能を伝えたいと思っています。\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": "**核心的なアイデンティティを確認する**\n\n私は今、私の応答を固めています。ユーザーのモデルに関する質問には、焦点を絞った答えが必要です。「Googleによって訓練された」ということが重要であり、重要な文脈を提供しています。特定のモデル名を言及する誘惑に抵抗していますが、それは関連性がありません。目標は、直接的で正確な声明を提供することです。私の目標は、技術的な専門用語を避け、関連するポイントに直接到達する明確で簡潔な応答を提供することです。\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": "私は大規模な言語モデルであり、Googleによって訓練されています。"}, "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]

レスポンスには多くの data が含まれており、data 内の choices が最新の回答内容です。choices は新たに追加された回答内容であり、結果に基づいてシステムに統合できます。また、ストリーミングレスポンスの終了は data の内容に基づいて判断され、内容が [DONE] の場合、ストリーミングレスポンスの回答がすべて終了したことを示します。返される data 結果には複数のフィールドが含まれており、以下のように説明されています。

id、今回の対話タスクの ID を生成し、今回の対話タスクを一意に識別します。
model、選択した Gemini 公式モデル。
choices、Gemini が質問に対して提供する回答情報。

JavaScript もサポートされており、例えば Node.js のストリーミング呼び出しコードは以下の通りです：

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));
}

Java のサンプルコード：

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());

他の言語は別途自分で書き換えることができますが、原理は同じです。

多輪対話

もし多輪対話機能を接続したい場合は、messages フィールドに複数の質問をアップロードする必要があります。複数の質問の具体的な例は以下の画像の通りです：

Python のサンプル呼び出しコード：

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)

複数の質問をアップロードすることで、多輪対話を簡単に実現でき、以下のような回答を得ることができます：

{
  "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
  }
}

choices に含まれる情報は基本的な使用内容と一致しており、これは Gemini が複数の対話に対して返信する具体的な内容を含んでいます。これにより、複数の対話内容に基づいて対応する質問に答えることができます。

Gemini-3.0 多モーダルモデル

リクエストのサンプル：

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "画像の内容は何ですか？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

サンプル結果：

{
    "id": "chatcmpl-20251206001815715692730UVZe38kB",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764951548,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "これは若い女性の屋外の半身肖像写真です。\n\n以下は画像の主な内容の説明です：\n\n*   **人物外貌**：写真の中の女の子は、黒く柔らかい長いストレートヘアを持ち、顔立ちは整っていて、肌は白いです。彼女は優しい微笑みを浮かべ、カメラを見つめています。\n*   **穿着打扮**：彼女はクリーム色または薄いアプリコット色のバルーンスリーブのトップスを着ており、その上に黒い衣服（サスペンダースカートまたはベストのように見えます）を重ねています。\n*   **光影氛围**：太陽の光が左側の後方から差し込み、彼女の髪に降り注ぎ、温かい金色の光の輪を形成し、清新で美しい雰囲気を醸し出しています。\n*   **背景**：背景はぼかされており、屋外であることがわかり、背後には広々とした道路（アスファルトの道）と道端の緑の木々があります。\n\n全体的に見て、この写真は甘美で、太陽の光を浴びた隣の女の子のような印象を与えます。"
            },
            "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
    }
}

もちろん、動画のリンクを送ることもできます。具体的な入力は以下の通りです：

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "動画の内容は何ですか？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

サンプル結果：

{
    "id": "chatcmpl-20251206002711949677736JC9yL8AE",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764952060,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "この動画の内容は非常に面白く、主に**オレンジ色の猫**が夕暮れ時の田舎道を自信満々に走る様子を示しています。\n\n具体的な詳細は以下の通りです：\n\n1.  **画面内容**：\n    *   主役はオレンジ色のトラ猫です。\n    *   背景は夕日が沈む（または朝の）時刻で、光は金色で柔らかいです。道端には木製のフェンスと野原があり、遠くには人のシルエットがあります。\n    *   カメラは低い角度で撮影されており、時には猫が正面から走ってくる様子、時には去っていく背中、さらに猫の顔や模様のクローズアップが撮影されています。\n\n2.  **音の特徴（重要なポイント）**：\n    *   動画のナレーションは非常に特徴的です。映像は軽やかな猫が走っているのに対し、合わせられた音は**重くリズミカルな馬の蹄の音**（または木履/ハイヒールが地面を叩く音のような音）です。\n    *   この音と映像の対比がユーモアを生み出し、まるでこの猫が自分を走る馬だと思っているかのようです。\n\n総じて、これは音と映像の対比を利用して萌えポイントと笑いポイントを作り出すペット動画です。"
            },
            "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
    }
}

上記から、Gemini 3.0モデルが多モーダルの理解をサポートしていることがわかります。

Gemini-3.1 多モーダルモデル

gemini-3.1-pro-preview は現在のGemini 3.1 Proの公式モデルIDで、テキスト、画像、動画などの多モーダル入力をサポートし、複雑な推論、コーディング、理解タスクに適しています。リクエストサンプル：

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "画像の内容は何ですか？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Gemini 3.1 Proも動画理解をサポートしています：

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "動画の内容は何ですか？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

返却フォーマットはGemini 3.0 Proと一致し、詳細は上記Gemini-3.0多モーダルモデルの章の説明を参照してください。

エラーハンドリング

APIを呼び出す際にエラーが発生した場合、APIは対応するエラーコードと情報を返します。例えば：

400 token_mismatched：不正なリクエスト、パラメータが不足しているか無効である可能性があります。
400 api_not_implemented：不正なリクエスト、パラメータが不足しているか無効である可能性があります。
401 invalid_token：未認証、無効または不足している認証トークン。
429 too_many_requests：リクエストが多すぎます、レート制限を超えました。
500 api_error：内部サーバーエラー、サーバーで何かがうまくいきませんでした。

エラー応答の例

{
    "error": {
        "code": "400",
        "message": "不正なリクエスト"
    }
}

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "取得に失敗しました"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

結論

この文書を通じて、あなたはGemini Chat Completion APIを使用して公式のGeminiの対話機能を簡単に実現する方法を理解しました。この文書が、あなたがこのAPIをより良く接続し、使用するのに役立つことを願っています。何か質問があれば、いつでも私たちの技術サポートチームにお問い合わせください。

はじめに

AIチャット

AI画像

AI動画

AIオーディオ

ウェブ＆データ

CAPTCHA

アイデンティティ

プロキシ

上級

Coding

Gemini Chat Completion API 申請及使用

申請プロセス

基本使用

画像理解（マルチモーダル入力）

ストリーミングレスポンス

多輪対話

Gemini-3.0 多モーダルモデル

Gemini-3.1 多モーダルモデル

エラーハンドリング

エラー応答の例

結論

​申請プロセス

​基本使用

​画像理解（マルチモーダル入力）

​ストリーミングレスポンス

​多輪対話

​Gemini-3.0 多モーダルモデル

​Gemini-3.1 多モーダルモデル

​エラーハンドリング

​エラー応答の例

​結論

申請プロセス

基本使用

画像理解（マルチモーダル入力）

ストリーミングレスポンス

多輪対話

Gemini-3.0 多モーダルモデル

Gemini-3.1 多モーダルモデル

エラーハンドリング

エラー応答の例

結論