vertexai/gemini-4-hydrogen 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-hydrogen
エンドポイント: POST https://api.comfy.org/v2/models/vertexai/gemini-4-hydrogen
- 結果を待つ
- キューに入れて後で取得する
同じボディを
POST https://api.comfy.org/v2/models/vertexai/gemini-4-hydrogen/requests に送信します。Router は実行が受け付けられるとすぐに 201 と request_id を返し、結果は準備ができ次第、このプロセスまたは別のプロセスから取得します。キューの配信では、ステータス、キャンセル、取得の流れを順を追って説明します。スキーマ
入力
モデルとの現在の会話のコンテンツです。単一ターンのクエリでは 1 つのインスタンスになります。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。
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。指定できる値は次のとおりです。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。
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。サイズ制限: 20MB形式:
bytedata 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。指定できる値は次のとおりです。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読み取る方法。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。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、それ以外のフィールドはモデル自身の動作に従います。任意。出力を保存する画像形式です。Vertex AI の経路、すなわち 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 リクエストが対象です。そこでの許容値は
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、このフィールドを名指しした 400 で拒否されます。省略時は image/png がデフォルトです。Google AI Studio の APIキーで認証された BYOK リクエストは例外です。そのアップストリームにはそのようなプロパティがなく、存在すると呼び出し全体を拒否するため、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せず、受け取ったレスポンスのパート(inlineData.mimeType、または 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取ってください。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 は応答生成中のサンプリングに使用され、topP と topK が適用される際に機能します。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、自由度が低く創造性を要さない応答が求められるプロンプトに適しており、高い temperature ではより多様で創造的な結果が得られます。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。モデルの応答が一般的すぎる、短すぎる、またはフォールバック応答が返される場合は、temperature を上げてみてください範囲:
0 から 2形式: floatTop-K は、モデルが出力する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 を用いて確率が上位 3 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、モデルが出力するトークンを選択する方法を変更します。トークンは、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「回答では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別々の段落にしてください。
1 つのメッセージを構成する、順序付けられたパートのリストです。パートごとに異なる IANA MIME タイプを使用できます。トークンの最大数や画像の数などの入力制限については、Google モデルページの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。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欄または未設定のままにできます。指定可能な値:
user、modeltrue 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 データの代わりに署名付き 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。
ビデオ入力の場合、Duration 形式による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 で提供される場合にのみ指定してください。
時間幅の符号付き秒数。-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:
-315576000000 から 315576000000時間幅の符号付き秒数。-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:
-315576000000 から 315576000000GET /v2/models/vertexai/gemini-4-hydrogen/openapi.json で提供しているもので、リクエストがプロバイダーに到達する前に呼び出しを検証する際に使用されるドキュメントと同じものです。
出力
モデルとの現在の会話のコンテンツです。単一ターンのクエリでは、これは単一のインスタンスになります。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になります。
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。指定可能な値は次のとおりです。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生バイトの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です。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 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。省略すると、デフォルト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。
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。