Skip to main content
Google から Comfy Router が提供する vertexai/gemini-2.5-flash-image の API リファレンスです。

クイックスタート

Comfy ワークスペースでキーを作成し、COMFY_API_KEY としてエクスポートします。Python と TypeScript のスニペットは Comfy SDK(pip install comfy-sdknpm install @comfyorg/sdk)を使用しており、cURL のスニペットは同じ呼び出しを生の HTTP で行うものです。 モデル ID: vertexai/gemini-2.5-flash-image エンドポイント: POST https://api.comfy.org/v2/models/vertexai/gemini-2.5-flash-image

Schema

入力

object[]
必須
モデルとの現在の会話のコンテンツ。単一ターンのクエリでは単一のインスタンスです。マルチターンのクエリでは、会話履歴と最新のリクエストを含む繰り返しフィールドになります。
object[]
必須
object
URI ベースのデータ。
string
URI
string
data または fileUri フィールドで指定されたファイルのメディアタイプ。許容される値は以下のとおりです。gemini-2.0-flash-lite および gemini-2.0-flash では、オーディオファイルの最大長は 8.4 時間、ビデオファイル(音声なし)の最大長は 1 時間です。詳細については、Gemini のオーディオおよびビデオの要件を参照してください。テキストファイルは UTF-8 でエンコードされている必要があります。テキストファイルのコンテンツはトークン制限にカウントされます。画像の解像度に制限はありません。指定可能な値: application/pdf, audio/mpeg, audio/mp3, audio/wav, image/png, image/jpeg, image/webp, text/plain, video/mov, video/mpeg, video/mp4, video/mpg, video/avi, video/wmv, video/mpegps, video/flv, image/heic, image/heif, audio/flac, video/webm
object
生のバイト形式のインラインデータ。gemini-2.0-flash-lite および gemini-2.0-flash では、inlineData を使用して最大 3000 枚の画像を指定できます。
string (byte)
プロンプトにインラインで含める画像、PDF、またはビデオの base64 エンコーディング。メディアをインラインで含める場合は、データのメディアタイプ(mimeType)も指定する必要があります。サイズ制限: 20MB形式: byte
string
data または fileUri フィールドで指定されたファイルのメディアタイプ。許容される値は以下のとおりです。gemini-2.0-flash-lite および gemini-2.0-flash では、オーディオファイルの最大長は 8.4 時間、ビデオファイル(音声なし)の最大長は 1 時間です。詳細については、Gemini のオーディオおよびビデオの要件を参照してください。テキストファイルは UTF-8 でエンコードされている必要があります。テキストファイルのコンテンツはトークン制限にカウントされます。画像の解像度に制限はありません。指定可能な値: application/pdf, audio/mpeg, audio/mp3, audio/wav, image/png, image/jpeg, image/webp, text/plain, video/mov, video/mpeg, video/mp4, video/mpg, video/avi, video/wmv, video/mpegps, video/flv, image/heic, image/heif, audio/flac, video/webm
string
モデルがこのパートの動画をどのように読み取るか。“AGENTIC” を設定すると、固定レートのフレームサンプリングの代わりに、モデルが検査するセグメントを決定できるようになります。デフォルトの固定レートサンプリングでは省略します。gemini-3.7-flash 以降の Flash モデルでサポートされています。
string
テキストプロンプトまたはコードスニペット。
boolean
このパートがモデルからの思考/推論ステップであることを示します。
string
指定可能な値: user, model
object
生成のためのサンプリング、長さ、および出力の設定。すべてのフィールドは任意です。以下で default を宣言しているフィールドは省略時にその値が適用され、それ以外はモデル自体の動作にフォールバックします。
object
画像生成の設定
string
生成される画像のアスペクト比
object
任意。生成される画像の画像出力形式。
integer
任意。出力画像の圧縮品質。
string
任意。出力を保存する画像形式。
string
任意。生成される画像のサイズを指定します。サポートされる値は 1K、2K、4K です。指定しない場合、モデルはデフォルト値の 1K を使用します。
integer
応答で生成できるトークンの最大数。1 トークンは約 4 文字です。100 トークンはおよそ 60~80 語に相当します。範囲: 1665536
`TEXT`, `IMAGE`[]
integer
seed を特定の値に固定すると、モデルは繰り返しのリクエストに対して同じ応答を返すよう最善を尽くします。決定論的な出力は保証されません。また、モデルや temperature などのパラメータ設定を変更すると、同じ seed 値を使用していても応答にばらつきが生じることがあります。デフォルトでは、ランダムな seed 値が使用されます。以下のモデルで利用可能です: gemini-2.5-flash、gemini-2.5-pro、gemini-2.5-flash-preview-04-1、gemini-2.5-pro-preview-05-0、gemini-2.0-flash-lite-00、gemini-2.0-flash-001
string[]
number
デフォルト:"1"
temperature は、topP と topK が適用される応答生成時のサンプリングに使用されます。temperature はトークン選択のランダム性の度合いを制御します。低い temperature は、あまり自由奔放でない、または創造的でない応答が求められるプロンプトに適しており、高い temperature はより多様または創造的な結果につながる可能性があります。temperature が 0 の場合、常に最も確率の高いトークンが選択されます。この場合、特定のプロンプトに対する応答はほぼ確定的ですが、わずかな変動が生じる可能性はあります。モデルが一般的すぎる応答、短すぎる応答を返す場合、またはフォールバック応答を返す場合は、temperature を上げてみてください。範囲: 0 から 2形式: float
object
省略可能。思考機能の設定です。思考とは、モデルが複雑なタスクをより小さなステップに分解し、より高品質な応答を生成するプロセスです。
boolean
省略可能。true の場合、モデルは応答に自身の思考を含めます。
integer
省略可能。モデルの思考プロセス用のトークン予算です。モデルはこの予算内に収まるよう最善を尽くします。
string
省略可能。モデルの思考レベルです。指定可能な値: THINKING_LEVEL_UNSPECIFIEDLOWMEDIUMHIGHMINIMAL
integer
デフォルト:"40"
Top-K は、モデルが出力用にトークンを選択する方法を変更します。Top-K が 1 の場合、次に選択されるトークンはモデルの語彙内のすべてのトークンの中で最も確率の高いものになります。Top-K が 3 の場合、次に選択されるトークンは、temperature を使用して最も確率の高い 3 つのトークンの中から選択されます。範囲: 1 から
number
デフォルト:"0.95"
指定した場合、nucleus sampling が使用されます。 Top-P は、モデルが出力用にトークンを選択する方法を変更します。トークンは、その確率の合計が top-P の値に等しくなるまで、最も確率の高いもの (top-K を参照) から低いものへと選択されます。たとえば、トークン A、B、C の確率がそれぞれ 0.3、0.2、0.1 で、top-P の値が 0.5 の場合、モデルは temperature を使用して A または B のいずれかを次のトークンとして選択し、C は候補から除外します。 ランダム性の低い応答にはより低い値を、よりランダムな応答にはより高い値を指定してください。範囲: 0 から 1形式: float
object[]
安全でないコンテンツをブロックするためのリクエストごとの設定です。GenerateContentResponse.candidates に適用されます。
string
必須
指定可能な値: HARM_CATEGORY_SEXUALLY_EXPLICITHARM_CATEGORY_HATE_SPEECHHARM_CATEGORY_HARASSMENTHARM_CATEGORY_DANGEROUS_CONTENT
string
必須
指定可能な値: OFFBLOCK_NONEBLOCK_LOW_AND_ABOVEBLOCK_MEDIUM_AND_ABOVEBLOCK_ONLY_HIGH
object
モデルをより良いパフォーマンスへと導くための指示です。たとえば、「できるだけ簡潔に回答してください」や「回答に専門用語を使わないでください」などです。テキスト文字列はトークン制限にカウントされます。systemInstruction の role フィールドは無視され、モデルのパフォーマンスには影響しません。注: parts にはテキストのみを使用し、各 part 内の content は別々の段落にしてください。
object[]
必須
1 つのメッセージを構成する順序付けられた part のリストです。part ごとに異なる IANA MIME タイプを持つ場合があります。最大トークン数や画像数などの入力の制限については、Google のモデルページにあるモデル仕様を参照してください。
string
テキストプロンプトまたはコードスニペット。
string
メッセージを作成するエンティティの識別情報です。以下の値がサポートされています: user: メッセージが実在の人物によって送信されたことを示します。通常はユーザーが生成したメッセージです。model: メッセージがモデルによって生成されたことを示します。model の値は、マルチターンの会話中にモデルからのメッセージを会話に挿入するために使用されます。マルチターンでない会話では、このフィールドは空のままにするか、未設定にできます。指定可能な値: usermodel
object[]
システムがモデルの知識と範囲外のアクションまたは一連のアクションを実行するために、外部システムと連携できるようにするコードの一部です。Function calling を参照してください。
object[]
string
string
必須
object
関数パラメータの JSON スキーマ
boolean
true の場合、生成済みの画像はクラウドストレージにアップロードされ、インラインの base64 データではなく署名付き URL として返されます。URL は 24 時間後に有効期限が切れます。
object
ビデオ入力の場合、ビデオの開始と終了のオフセットを Duration 形式で指定します。たとえば、1:00 から始まる 10 秒のクリップを指定するには、“startOffset”: { “seconds”: 60 } および “endOffset”: { “seconds”: 70 } を設定します。メタデータは、ビデオデータが inlineData または fileData で提示されている場合にのみ指定してください。
object
ビデオタイムライン上の位置に対する再生時間オフセットを表します。
integer
ナノ秒解像度での秒の符号付き小数部。小数を含む負の秒値であっても、nanos の値は非負でなければなりません。範囲: 0999999999
integer
期間の符号付き秒数。-315,576,000,000 から +315,576,000,000 まで(両端を含む)である必要があります。範囲: -315576000000315576000000
object
ビデオタイムライン上の位置に対する再生時間オフセットを表します。
integer
ナノ秒解像度での秒の符号付き小数部。小数を含む負の秒値であっても、nanos の値は非負でなければなりません。範囲: 0999999999
integer
期間の符号付き秒数。-315,576,000,000 から +315,576,000,000 まで(両端を含む)である必要があります。範囲: -315576000000315576000000
Router が GET /v2/models/vertexai/gemini-2.5-flash-image/openapi.json で提供するスキーマから生成されています。これは、リクエストがプロバイダーに到達する前に Router が呼び出しを検証する対象となるドキュメントと同じものです。

出力

object[]
object
object[]
string[]
integer
string
string (date)
形式: date
integer
string
string
object
モデルとの現在の会話のコンテンツ。単一ターンのクエリでは、これは単一のインスタンスです。マルチターンのクエリでは、これは会話履歴と最新のリクエストを含む繰り返しフィールドです。
object[]
必須
object
URI ベースのデータ。
string
URI
string
data フィールドまたは fileUri フィールドで指定されたファイルのメディアタイプ。使用可能な値は次のとおりです。gemini-2.0-flash-lite および gemini-2.0-flash の場合、オーディオファイルの最大長は 8.4 時間、ビデオファイル(音声なし)の最大長は 1 時間です。詳細については、Gemini のオーディオおよびビデオの要件を参照してください。テキストファイルは UTF-8 でエンコードされている必要があります。テキストファイルの内容はトークン制限にカウントされます。画像の解像度に制限はありません。使用可能な値: application/pdfaudio/mpegaudio/mp3audio/wavimage/pngimage/jpegimage/webptext/plainvideo/movvideo/mpegvideo/mp4video/mpgvideo/avivideo/wmvvideo/mpegpsvideo/flvimage/heicimage/heifaudio/flacvideo/webm
object
生のバイト形式のインラインデータ。gemini-2.0-flash-lite および gemini-2.0-flash の場合、inlineData を使用して最大 3000 枚の画像を指定できます。
string (byte)
プロンプトにインラインで含める画像、PDF、またはビデオの base64 エンコーディング。メディアをインラインで含める場合は、データのメディアタイプ(mimeType)も指定する必要があります。サイズ制限: 20MB形式: byte
string
data フィールドまたは fileUri フィールドで指定されたファイルのメディアタイプ。使用可能な値は次のとおりです。gemini-2.0-flash-lite および gemini-2.0-flash の場合、オーディオファイルの最大長は 8.4 時間、ビデオファイル(音声なし)の最大長は 1 時間です。詳細については、Gemini のオーディオおよびビデオの要件を参照してください。テキストファイルは UTF-8 でエンコードされている必要があります。テキストファイルの内容はトークン制限にカウントされます。画像の解像度に制限はありません。使用可能な値: application/pdfaudio/mpegaudio/mp3audio/wavimage/pngimage/jpegimage/webptext/plainvideo/movvideo/mpegvideo/mp4video/mpgvideo/avivideo/wmvvideo/mpegpsvideo/flvimage/heicimage/heifaudio/flacvideo/webm
string
モデルがこのパートの動画をどのように読み取るか。“AGENTIC” を設定すると、固定レートのフレームサンプリングの代わりに、モデルが検査するセグメントを決定できるようになります。デフォルトの固定レートサンプリングでは省略します。gemini-3.7-flash 以降の Flash モデルでサポートされています。
string
テキストプロンプトまたはコードスニペット。
boolean
このパートがモデルによる思考/推論のステップであることを示します。
string
使用可能な値: usermodel
string
object[]
string
使用可能な値: HARM_CATEGORY_SEXUALLY_EXPLICITHARM_CATEGORY_HATE_SPEECHHARM_CATEGORY_HARASSMENTHARM_CATEGORY_DANGEROUS_CONTENT
string
コンテンツが指定された安全性カテゴリに違反する確率使用可能な値: NEGLIGIBLELOWMEDIUMHIGHUNKNOWN
string
レスポンスが作成されたタイムスタンプ。
string
レスポンスの生成に使用されたモデルバージョン。
object
string
string
object[]
string
使用可能な値: HARM_CATEGORY_SEXUALLY_EXPLICITHARM_CATEGORY_HATE_SPEECHHARM_CATEGORY_HARASSMENTHARM_CATEGORY_DANGEROUS_CONTENT
string
コンテンツが指定された安全性カテゴリに違反する確率Possible values: NEGLIGIBLE, LOW, MEDIUM, HIGH, UNKNOWN
string
レスポンスの一意な識別子。
object
integer
出力のみ。入力内のキャッシュされた部分(キャッシュされたコンテンツ)のトークン数。
integer
レスポンス内のトークン数。
object[]
モダリティ別の候補トークンの内訳。
string
入力または出力コンテンツのモダリティの種類。Possible values: MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENT
integer
指定されたモダリティのトークン数。
integer
リクエスト内のトークン数。cachedContent が設定されている場合でも、これは有効なプロンプトの合計サイズであり、キャッシュされたコンテンツ内のトークン数も含まれます。
object[]
モダリティ別のプロンプトトークンの内訳。
string
入力または出力コンテンツのモダリティの種類。Possible values: MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENT
integer
指定されたモダリティのトークン数。
integer
thoughts 出力内に存在するトークン数。
integer
ツール使用プロンプト内に存在するトークン数。
object[]
モダリティごとのツール使用プロンプトトークンの内訳。
string
入力または出力コンテンツのモダリティの種類。指定可能な値: MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENT
integer
指定されたモダリティのトークン数。
integer
トークンの総数(プロンプト + 候補)。
string
リクエストに使用されたトラフィックの種類(例: PROVISIONED_THROUGHPUT)。

入力

出力

出荷前の確認

SDK は Idempotency-Key を生成し、自動リトライで再利用します。手動リトライでは元のキーを再利用してください。Router は最大 10 分間接続を保持できます。 リクエストが失敗すると、Router は理由を示す X-Comfy-Error-Type レスポンスヘッダーを送信します。422 は、プロバイダーを呼び出す前に Router が入力を拒否したことを意味します。生成されたアセットは 結果 URL の有効期限 があるため、早めにダウンロードしてください。

ヘッダー

認証、冪等性、リクエスト ID、エラー分類、リトライ間隔、支出上限。

Router API の利用

モデルの検出、バリデーションエラー、リトライ、課金。

制限事項

Router が現在対応していないことと、代替手段。