Gemini API入門：Google AIモデルをプログラムから活用する方法

Google Gemini APIの基本操作：GenerativeModelによるテキスト生成とマルチモーダル入力

Google Gemini APIのPython SDKを使い、テキスト生成の基本操作からマルチモーダル（画像+テキスト）入力、ストリーミング応答までを実装します。

import google.generativeai as genai
import PIL.Image

# APIキーの設定
genai.configure(api_key="YOUR_API_KEY")

# ---- 基本的なテキスト生成 ----
model = genai.GenerativeModel("gemini-1.5-pro")

response = model.generate_content(
    "Pythonのデコレータの仕組みを3つの具体例で説明してください",
    generation_config=genai.GenerationConfig(
        temperature=0.7,
        max_output_tokens=2048,
        top_p=0.9,
    )
)
print("=== テキスト生成 ===")
print(response.text)

# ---- マルチモーダル入力（画像 + テキスト） ----
vision_model = genai.GenerativeModel("gemini-1.5-pro")

image = PIL.Image.open("architecture_diagram.png")
response_vision = vision_model.generate_content(
    [
        "この画像のシステム構成図を分析し、以下の観点で説明してください:n"
        "1. アーキテクチャパターンn"
        "2. コンポーネント間の通信方式n"
        "3. 改善提案",
        image
    ]
)
print("n=== マルチモーダル分析 ===")
print(response_vision.text)

# ---- ストリーミング応答 ----
print("n=== ストリーミング ===")
response_stream = model.generate_content(
    "機械学習のバイアス-バリアンストレードオフを説明してください",
    stream=True
)
for chunk in response_stream:
    print(chunk.text, end="", flush=True)
print()

# ---- チャット（マルチターン会話） ----
chat = model.start_chat(history=[])

r1 = chat.send_message("PythonとRustの違いを3つ挙げてください")
print(f"n=== チャット1 ===n{r1.text}")

r2 = chat.send_message("その中で最も重要な違いはどれですか？理由も教えてください")
print(f"n=== チャット2 ===n{r2.text}")

# トークン使用量の確認
print(f"n使用トークン: {response.usage_metadata}")

# 利用可能なモデル一覧
print("n=== 利用可能モデル ===")
for m in genai.list_models():
    if "generateContent" in m.supported_generation_methods:
        print(f"  {m.name}")

Gemini APIの特徴は3つあります。第一に、テキストと画像を同一のgenerate_contentメソッドでシームレスに扱えるマルチモーダル対応が標準で組み込まれている点です。第二に、start_chatで会話履歴を自動管理するチャットモードが用意されており、マルチターン会話の実装が簡潔になります。第三に、Gemini 1.5 Proは100万トークン超のコンテキストウィンドウを持ち、長大なドキュメントや動画の解析に対応できます。料金面ではGPT-4oやClaude Sonnetと比較して入力トークンが安価であるため、大量コンテキストを投入するユースケースでコスト優位性があります。