vertexai/gemini-4-carbon 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
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 と npm 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-4-carbon
エンドポイント: POST https://api.comfy.org/v2/models/vertexai/gemini-4-carbon
- 結果を待つ
- キューに送って後で取得する
同じボディを
POST https://api.comfy.org/v2/models/vertexai/gemini-4-carbon/requests に送信します。Router は実行が受け付けられるとすぐに request_id とともに 201 を返し、結果は準備ができ次第、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。キューの配信では、ステータス、キャンセル、取得の流れを説明します。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です。指定でき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生のバイト列によるインラインデータです。gemini-2.0-flash-lite および 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 エンコードです。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:
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です。指定でき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モデルがこのパートのビデオをどのように読み取るかです。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判断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。
生成のためのサンプリング、長さ、出力の設定です。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身の動作にフォールバックします。任意。出力を保存する画像形式で、Vertex AI の経路(Comfy 自身の認証情報で処理されるリクエスト、および GCP サービスアカウントで認証された BYOK リクエスト)に適用されます。そこで受け付けられる値は
image/png と image/jpeg で、大文字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、このフィールド名を示す 400 エラーで拒否されます。省略時は image/png がデフォルトになります。Google AI Studio の APIキーで認証された BYOK リクエストは例外です。そのアップストリーム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 が選択したものになります。どの経路でも、送信した値を前提とするのではなく、返されたレスポンスのパート(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。シードが特定の値に固定されると、モデルは繰り返しのリクエストに対して同じレスポンスを提供するよう最善を尽くします。決定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、同じシード値を使用していてもレスポンス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。次のモデルで利用できます: 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 はレスポンス生成中のサンプリングに使用され、topP と topK が適用される際に作用します。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、あまり自由度や創造性を必要としないプロンプトに適しており、高い temperature はより多様で創造的な結果につながります。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レスポンスはほぼ決定的になりますが、わずかなばらつきが生じる可能性は残ります。モデルが返すレスポンスが一般的すぎる、短すぎる、またはフォールバックのレスポンスを返す場合は、temperature を上げてみてください。範囲:
0 から 2形式: float省略可能。モデルの Thinking レベルです。指定可能な値:
THINKING_LEVEL_UNSPECIFIED, LOW, MEDIUM, HIGH, MINIMAL, XHIGHtop-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全体の中で最も確率の高いトークンになります。top-K が 3 の場合、次に選択されるトークンは確率の高い上位 3 個のトークンの中から temperature を用いて選択されます。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 を用いて 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。
ランダム性を抑えたレスポンスにしたい場合は低い値を、よりランダムなレスポンスにしたい場合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モデルのパフォーマンスを高めるための指示です。たとえば、「できるだけ簡潔に回答してください」や「回答では専門用語を使わないでください」などがあります。テキスト文字列はトークン上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個別の段落に入れる必要があります。
1 つのメッセージを構成する順序付きのパートのリストです。パートごとに異なる IANA MIME タイプを使用できます。最大トークン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子です。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。通常はユーザーが作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。マルチターン以外の会話では、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:
user, modelシステムがモデルの知識と範囲の外にある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 時間後に失効します。
ビデオ入力の場合、Duration 形式でのビデオの開始オフセットと終了オフセット。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 で提示されている場合にのみ指定してください。
時間スパンの符号付き秒。-315,576,000,000 から +315,576,000,000 まで(両端を含む)でなければなりません。範囲:
-315576000000 から 315576000000時間スパンの符号付き秒。-315,576,000,000 から +315,576,000,000 まで(両端を含む)でなければなりません。範囲:
-315576000000 から 315576000000GET /v2/models/vertexai/gemini-4-carbon/openapi.json で提供するスキーマ、つまりリクエストがプロバイダーに到達する前に呼び出しの検証に使用するのと同じドキュメントから生成されています。
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:
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モデルがこのパートのビデオをどのように読み取るか。固定レートのフレームサンプリングではなく、モデルに検査するセグメントを判断させる場合は “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_CONTENT指定可能な値:
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。