vertexai/gemini-3.7-flash の API リファレンスです。
入力: テキスト, 画像, オーディオ, ビデオ · 出力: テキスト
クイックスタート
お使いの 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-sdk、npm install @comfyorg/sdk)を使用し、cURL スニペットは同じ呼び出しを raw HTTP で行うものです。
モデル ID: vertexai/gemini-3.7-flash
エンドポイント: POST https://api.comfy.org/v2/models/vertexai/gemini-3.7-flash
- 結果を待つ
- キューに送信して後で取得
同じボディを
POST https://api.comfy.org/v2/models/vertexai/gemini-3.7-flash/requests に送信します。Router は実行が受け付けられ次第 201 と request_id を返し、結果は準備が整った時点で、このプロセスからでも別のプロセスからでも取得できます。ステータス、キャンセル、結果の取得については キュー配信 を参照してください。スキーマ
入力
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。指定可能な値は以下のとおりです。gemini-2.0-flash-lite と 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。詳細は Gemini のオーディオと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上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生のバイトデータとしてのインラインデータ。gemini-2.0-flash-lite と gemini-2.0-flash では、inlineData を使って最大3000枚の画像を指定できます。
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、そのデータのメディアタイプ(mimeType)も指定する必要があります。サイズ上限: 20MB形式:
bytedata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。指定可能な値は以下のとおりです。gemini-2.0-flash-lite と 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。詳細は Gemini のオーディオと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上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モデルがこのパートのビデオ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ではなく、モデルが検査するセグメントを決定します。省略すると、既定の固定レートサンプリングになります。gemini-3.7-flash 以降の Flash モデルでサポートされています。
生成のためのサンプリング、長さ、出力の設定。すべてのフィールドは任意です。以下のフィールドのうち
default を宣言しているもの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従います。任意。出力を保存する画像形式(Vertex AI のパス上): Comfy 自身の認証情報で処理されるリクエストと、GCP サービスアカウントで認証された BYOK リクエストです。そこでの許容値は
image/png と image/jpeg で、大文字と小文字を区別せずに照合され、リクエストが転送される前に小文字に正規化されます。それ以外の値は、このフィールドを名指しした400エラーで拒否されます。省略時は image/png が既定値です。Google AI Studio の APIキーで認証された BYOK リクエストは例外です。その上流にはこのプロパティが存在せず、含まれていると呼び出し全体が拒否されるため、このフィールドは尊重も拒否もされずにリクエストから削除され、出力形式は AI Studio が選択するものになります。どのパスでも、送信した値を仮定せず、返されたレスポンスパート(inlineData.mimeType、uploadImagesToStorage が設定されている場合は fileData.mimeType)からメディアタイプを読み戻してください。シード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ベストエフォートで動作します。決定論的な出力は保証されません。また、temperature などのモデルやパラメータの設定を変更すると、同じシード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、ランダムなシード値が使用されます。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
temperature は応答の生成中にサンプリングに使用され、これは topP と topK が適用されるときに行われます。temperature はトークン選択におけるランダム性の度合いを制御します。低い temperature は、あまり自由闊達でない応答や創造性の低い応答が求められるプロンプトに適しており、高い temperature はより多様な結果や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決定論的になりますが、少量のばらつきが生じる可能性は依然としてあります。モデルが返す応答が一般的すぎる場合、短すぎる場合、またはモデルが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: floatTop-K は、モデルが出力用の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が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 を使用して確率の高い上位 3 個のトークンの中から選択されます。範囲:
1 から …指定した場合、nucleus サンプリングが使用されます。
Top-P は、モデルが出力用の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、最も確率が高いもの(top-K を参照)から最も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 は候補から除外されます。
ランダム性の低い応答には低い値を、ランダム性の高い応答には高い値を指定してください。範囲:
0 から 1形式: float指定可能な値:
HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENTモデルをより良いパフォーマンスへ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、各パートのコンテンツは別々の段落にしてください。
単一のメッセージを構成する、順序付けされたパートのリストです。パートごとに異なる IANA MIME タイプを持つ場合があります。トークンの最大数や画像の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。
メッセージを作成するエンティティの識別情報です。次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 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白のままにするか未設定にできます。指定可能な値:
user, modelシステムがモデルの知識や範囲の外でアクションまたは一連のアクションを実行するために、外部システムとやり取りできるようにするコードです。Function calling を参照してください。
true の場合、生成済み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 時間後に失効します。
ビデオ入力の場合、ビデオの開始オフセットと終了オフセットを 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 } と “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 で渡されている場合にのみ指定してください。
時間幅の秒部分(符号付き)。-315,576,000,000 から +315,576,000,000 まで(両端を含む)の範囲で指定する必要があります。範囲:
-315576000000 から 315576000000 まで時間幅の秒部分(符号付き)。-315,576,000,000 から +315,576,000,000 まで(両端を含む)の範囲で指定する必要があります。範囲:
-315576000000 から 315576000000 までGET /v2/models/vertexai/gemini-3.7-flash/openapi.json で配信するスキーマから生成されたもので、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際に使用するドキュメントと同じものです。
出力
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。指定可能な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。詳細は Gemini のオーディオと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上限にカウントされます。画像の解像度には制限がありません。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生のバイト列によるインラインデータ。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。
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 エンコード。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。サイズ上限: 20MB形式:
bytedata 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。指定可能な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。詳細は Gemini のオーディオと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上限にカウントされます。画像の解像度には制限がありません。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モデルがこのパートのビデオを読み取る方法。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するには “AGENTIC” を設定します。デフォルトの固定レートサンプリングを使用する場合は省略します。gemini-3.7-flash 以降の Flash モデルでサポートされています。
指定可能な値:
HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENTPossible values:
HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENT例
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 は理由を説明する 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、413 はリクエスト本文が Router の受け入れ可能なサイズを超えてい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。
上記のフィールド説明に記載されているサイズ制限は、プロバイダーの仕様から引用した、そのフィールドに対するプロバイダー自身の上限です。Router はリクエスト本文全体に対して別の上限を適用し、base64 エンコードされたメディアもこれにカウントされます。リクエスト本文のサイズ を参照してください。
このページは、Comfy Router 経由で呼び出す 1 つのパートナーモデルについて説明しています。同じ comfy-sdk / @comfyorg/sdk パッケージには、Comfy Cloud 上で ComfyUI のワークフローグラフ全体を実行するための 2 つ目のクライアントも含まれています: Comfy(api_key=...) / new Comfy({ apiKey })、および client.workflows、client.assets、client.jobs。Comfy SDKs を参照してください。
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。