Gemini Chat Completion API の申請および使用

Gemini AI API guide - Ace Data Cloud

Google Gemini は非常に強力な AI 対話システムです。プロンプトを入力するだけで、わずか数秒で流暢かつ自然な応答を生成できます。Gemini は驚異的な知的支援を提供し、人間の作業効率と創造性を大幅に向上させます。

本ドキュメントでは主に Gemini Chat Completion API の操作使用フローを紹介します。これを利用することで、公式 Gemini の対話機能を簡単に使用できます。

​

申請フロー

Gemini Chat Completion API を使用するには、まず Ace Data Cloud コンソール にアクセスして API Token を取得し、予備として保管してください。

まだログインまたは登録していない場合は、ログインページへ自動的にリダイレクトされ、登録とログインを促されます。完了後は自動的に現在のページへ戻ります。

1 つの API Token でプラットフォーム上のすべてのサービスを呼び出せるため、サービスごとに個別申請する必要はありません。 初回申請時には無料枠が付与され、無料で体験できます。残高が不足した場合は、コンソール で共通残高をチャージできます。

📘 完全なドキュメント：Gemini Chat Completion API →

​

基本的な使用方法

次に、図のように画面上で対応する内容を入力できます。

このインターフェースを初めて使用する際は、少なくとも 3 つの項目を入力する必要があります。1 つ目は authorization で、ドロップダウンリストから直接選択できます。もう 1 つのパラメータは model であり、model は Gemini 公式サイトのどのモデルカテゴリを使用するかを選択するものです。選択可能なモデルは、インターフェースドキュメント内の model 列挙を基準とします。最後のパラメータは messages で、messages は入力する質問文の配列です。これは配列であり、複数の質問文を同時にアップロードできることを示します。各質問文には role と content が含まれ、そのうち role は質問者の役割を表します。3 種類の役割を提供しており、それぞれ user、assistant、system です。もう一方の content は、質問する具体的な内容です。

同時に、右側には対応する呼び出しコードが生成されていることに気付くでしょう。コードをコピーして直接実行することも、「Try」ボタンを直接クリックしてテストすることもできます。

ヒント：gemini-3.x シリーズの flash は思考モデルであり、先に reasoning tokens を消費します。max_tokens を 512 以上に設定してください。そうしないと、空の内容しか返されない可能性があります。gemini-3.8-flash は現在推奨されている Flash モデルで、最大 100 万 Token のコンテキスト、画像入力、ツール呼び出し、ストリーミング応答をサポートしています。現在は Chat Completions インターフェースを通じて呼び出します。

呼び出し後、返される結果は以下のとおりです。

{
  "id": "chatcmpl-20251122212413908150493uPhjTUO9",
  "model": "gemini-3.5-flash",
  "object": "chat.completion",
  "created": 1763817866,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "**My Reasoning: Answering the User's Question**\n\nOkay, here's how I'm going to approach answering the user's question, \"What model are you?\". The core is to be direct and informative. First, I have to be clear about my origin. Then, I need to make sure the explanation is accessible, given that the user may not be familiar with technical jargon. I need to explain what a \"large language model\" actually *does*, and provide relatable examples. I know the user might be looking for a specific name, like other models have, so I'll address that directly and then wrap it up with an invitation to continue.\n\nSo, here's my plan:\n\n1.  **Lead with the key info:** I'll begin by stating that I am a large language model created by Google. That is the fundamental, most critical piece of the puzzle.\n2.  **Define the buzzword:** Then, I'll explain that \"large language model\" in simple terms. I'll explain what I *do* - process and generate text; how I *do* it - by training on huge amounts of text data; and the *goal* - to be able to communicate like a human.\n3.  **Provide context:** After that, to make the concept even clearer, I'll provide a list of examples of my capabilities. I'll mention things like answering questions, summarizing texts, writing stories, translating languages, and brainstorming ideas.\n4.  **Acknowledge the lack of a personal name:** I'll anticipate the likely question about a model name (like ChatGPT) by clearly stating that I don't have a personal name and that it's best to think of me as an AI assistant from Google.\n5.  **End with an invitation:** Lastly, I'll end with a simple, friendly question to invite further interaction and to guide the conversation.\n\nWith this approach, I am confident I can successfully answer this important question.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "completion_tokens": 932,
    "total_tokens": 940,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 8,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 921
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

返される結果には複数のフィールドがあり、以下のとおりです。

• id：今回の対話タスクを生成する ID であり、今回の対話タスクを一意に識別するために使用されます。
• model ：選択した Gemini 公式サイトのモデル。
• choices：Gemini が質問文に対して提供する回答情報。
• usage ：今回の質問応答における token の統計情報。

そのうち choices には Gemini の回答情報が含まれており、その中の choices は Gemini の回答の具体的な情報です。図のように確認できます。

ご覧のとおり、choices 内の content フィールドには Gemini の返信の具体的な内容が含まれています。

​

画像理解（マルチモーダル入力）

Gemini はネイティブのマルチモーダルモデルであり、直接「画像を見る」ことができます。画像を渡すには、あるメッセージの content を文字列からコンテンツブロック配列に変更し、配列内に text ブロックと image_url ブロックを同時に配置するだけです——これは OpenAI、および公式 Gemini の OpenAI 互換形式と完全に一致します。

image_url.url は 2 種類の書き方をサポートしています。

• base64 data: URI（推奨、最も安定）：形式は data:<メディアタイプ>;base64,<データ> です。例：data:image/jpeg;base64,/9j/4AAQ...。メディアタイプ（MIME）はすでに data: プレフィックス内に記述されているため、個別の media_type フィールドは不要であり、存在もしません。
• 公開アクセス可能な画像 URL：例：https://cdn.acedata.cloud/4hfydw.jpg。

対応する画像タイプ：png、jpeg、webp、heic、heif。

Python サンプル呼び出しコード（base64 data URI）：

import base64
import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

# ローカル画像を base64 data URI として読み込む
with open("image.jpg", "rb") as f:
    base64_image = base64.b64encode(f.read()).decode("utf-8")
data_uri = f"data:image/jpeg;base64,{base64_image}"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "この画像を一文で説明してください。"},
                {"type": "image_url", "image_url": {"url": data_uri}}
            ]
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

公開アクセス可能な画像 URL を直接渡すこともできます：

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "この画像を一文で説明してください。"},
                {"type": "image_url", "image_url": {"url": "https://cdn.acedata.cloud/4hfydw.jpg"}}
            ]
        }
    ]
}

💡 image_url は url フィールド（値は画像 URL または base64 data: URI）と、任意の detail フィールドのみを受け付けます。media_type を渡さないでください——これは Anthropic Claude の画像フィールドであり、OpenAI / Gemini の image_url 形式には属しません。

​

ストリーミングレスポンス

このインターフェースはストリーミングレスポンスにも対応しており、Web ページとの連携に非常に役立ち、ページ上で一文字ずつ表示する効果を実現できます。

レスポンスをストリーミングで返したい場合は、リクエストヘッダー内の stream パラメータを変更し、true に設定できます。

図のように変更しますが、ストリーミングレスポンスに対応するには、呼び出しコードにも対応する変更が必要です。

stream を true に変更すると、API は対応する JSON データを行ごとに返します。コードレベルでは、行ごとの結果を取得するために対応する変更を行う必要があります。

Python サンプル呼び出しコード：

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"こんにちは、あなたはどのモデルですか？"}],
    "stream": True,
    "stream_options": {"include_usage": True}
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

出力結果は以下のとおりです：

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "", "role": "assistant"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**私の性質を定義する**\n\n私の思考が始まりました。ユーザーは私の性質を知りたく、直接「あなたは何ですか？」と尋ねています。最初のステップは簡単でした。クエリを特定することです。今、私は自分の基本的なアイデンティティを思い出します。私は大規模言語モデルです。これが私が伝えようとする核心的な真実です。\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**回答を洗練する**\n\n私は、Google によって訓練されたという重要な情報を、基本的な「大規模言語モデル」というアイデンティティに加えました。次のステップは、「大規模言語モデル」であることが実際に何を意味するのかを考え、それによって私の中核的な能力を説明できるようにすることです。具体的な技術的詳細やモデル名には踏み込まず、文脈を提供することに集中しています。ユーザーが簡単に理解できる方法で、自分の機能を伝えたいと考えています。\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**中核的なアイデンティティを確認する**\n\n私は今、回答を固めています。私のモデルの所属についてのユーザーの質問には、焦点を絞った回答が必要です。「Google によって訓練された」という点が不可欠であり、重要な文脈を提供することを特定しました。関連性がないため、特定のモデル名に言及したいという衝動を抑えています。目的は、直接的で正確な説明を提供することです。私の目標は、技術的な専門用語を避け、関連する点を直接伝える、明確で簡潔な回答であり続けます。\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "私は Google によって訓練された大規模言語モデルです。"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {}, "logprobs": null, "finish_reason": "stop", "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": "", "choices": [], "usage": {"prompt_tokens": 8, "completion_tokens": 527, "total_tokens": 535, "prompt_tokens_details": {"cached_tokens": 0, "text_tokens": 8, "audio_tokens": 0, "image_tokens": 0}, "completion_tokens_details": {"text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 519}, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0}}

data: [DONE]

確認できるように、レスポンスには多数の data があり、data 内の choices が最新の回答内容であり、上記で紹介した内容と一致しています。choices は追加された回答内容であり、結果に基づいてご自身のシステムに連携できます。同時に、ストリーミングレスポンスの終了は data の内容によって判断されます。内容が [DONE] の場合、ストリーミングレスポンスの回答がすべて終了したことを示します。返される data の結果には複数のフィールドがあり、以下のとおりです：

• id，今回の会話タスクの ID を生成し、今回の会話タスクを一意に識別するために使用します。
• model ，選択した Gemini 公式サイトのモデル。
• choices，Gemini が質問に対して提供する回答情報。

JavaScript もサポートされています。たとえば、Node.js のストリーミング呼び出しコードは以下のとおりです：

const options = {
  method: "POST",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json"
  },
  body: JSON.stringify({
    model: "gemini-2.5-pro",
    messages: [{ role: "user", content: "Hello, what model are you?" }],
    stream: true
  })
};

const response = await fetch("https://api.acedata.cloud/gemini/chat/completions", options);
const reader = response.body.getReader();
const decoder = new TextDecoder("utf-8");
while (true) {
  const { value, done } = await reader.read();
  if (done) break;
  process.stdout.write(decoder.decode(value));
}

Java のサンプルコード：

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gemini-2.5-pro");
jsonObject.put("messages", new JSONArray().put(new JSONObject().put("role", "user").put("content", "Hello, what model are you?")));
jsonObject.put("stream", true);
MediaType mediaType = MediaType.parse("application/json; charset=utf-8");
RequestBody body = RequestBody.create(jsonObject.toString(), mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/gemini/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.println(response.body().string());

その他の言語については別途ご自身で書き換えることができ、原理はすべて同じです。

​

複数ターンの会話

複数ターンの会話機能を連携したい場合は、messages フィールドに複数の質問をアップロードする必要があります。複数の質問の具体例は以下の図のとおりです：

Python のサンプル呼び出しコード：

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Hello"},{"role":"assistant","content":"Hello there! How can I help you today?"},{"role":"user","content":"What model are you?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

複数の質問をアップロードすることで、複数ターンの会話を簡単に実現でき、以下のような回答を取得できます：

{
  "id": "chatcmpl-20251122214426669120974AKFwnJd1",
  "model": "gemini-2.5-pro",
  "object": "chat.completion",
  "created": 1763819072,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "Okay, here's how I'd approach this, thinking as a sophisticated AI:\n\nFirst, the user is directly querying my core identity: \"What model are you?\" That's a simple, straightforward question. My primary task is to provide accurate and helpful information, so I need to answer this immediately.\n\nRight off the bat, I know the answer. I *am* a large language model. That's my fundamental architecture and operational principle. I'm built on a vast network of connections and trained on a massive dataset.\n\nThen I must add the necessary context. Crucially, I have to provide the source of my training. I *was* trained by Google. That's a key identifier. It provides the user with valuable information about my origin and potential biases (though I'm trained to mitigate them).\n\nNow I must construct the response. My goal is to be factual, concise, and understandable.\n\nThe synthesized response is something like: \"I am a large language model, trained by Google.\"\n\nI have to assess the output: Does it meet the criteria? It's clear. It states what I am, it includes a critical piece of information on my origins, and it avoids jargon. No misleading promises.\n\nFinal verification: Does it actually answer the question? Yes. Is the information correct and truthful? Yes. Is it concise? Absolutely. Is the tone appropriate for any user? Yes. And, finally, this is the standard, approved response. Excellent.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 16,
    "completion_tokens": 265,
    "total_tokens": 281,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 16,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 254
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

ご覧のとおり、choices に含まれる情報は基本的な使用方法の内容と一致しており、Gemini が複数の会話に対して返信する具体的な内容が含まれています。これにより、複数の会話内容に基づいて対応する質問に回答できます。

​

Gemini-3.0 マルチモーダルモデル

リクエスト例：

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

サンプル結果：

{
    "id": "chatcmpl-20251206001815715692730UVZe38kB",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764951548,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "这是一张年轻女性的户外半身人像照片。\n\n以下是图片的主要内容描述：\n\n*   **人物外貌**：照片中的女孩留着一头乌黑柔顺的长直发，五官清秀，皮肤白皙。她面带温柔的微笑，目光注视着镜头。\n*   **穿着打扮**：她穿着一件米白色或浅杏色的泡泡袖上衣，外面搭配着黑色的衣物（看起来像是背带裙或马甲）。\n*   **光影氛围**：阳光从左侧后方照射过来，洒在她的头发上，形成了一圈温暖的金黄色光晕，营造出一种清新、唯美的氛围。\n*   **背景**：背景被虚化处理，可以看出是在户外，身后是一条空旷的路面（柏油路）以及路边的绿色树木。\n\n整体来看，这张照片给人一种甜美、阳光和邻家女孩的感觉。"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 1092,
        "completion_tokens": 1271,
        "total_tokens": 2363,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 4,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1072
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}

もちろん、動画のリンクを渡すこともできます。具体的な入力は以下のとおりです。

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

サンプル結果：

{
    "id": "chatcmpl-20251206002711949677736JC9yL8AE",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764952060,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "这段视频的内容充满趣味，主要展示了一只**橘猫**在黄昏时分的乡间公路上自信小跑的情景。\n\n具体细节如下：\n\n1.  **画面内容**：\n    *   主角是一只橘色的虎斑猫。\n    *   背景是夕阳西下（或清晨）的时刻，光线金黄柔和。路边有木质栅栏和旷野，远处还有一个行人的剪影。\n    *   镜头采用了低角度拍摄，时而拍摄猫咪迎面跑来，时而拍摄它离去的背影，还有猫咪面部和花纹的特写。\n\n2.  **声音特点（关键点）**：\n    *   视频的配音非常有特色。虽然画面是轻盈的猫咪在跑，但配上的声音却是**沉重且有节奏的马蹄声**（或者是类似木屐/高跟鞋敲击路面的声音）。\n    *   这种声音与画面的反差制造了一种幽默感，仿佛这只猫咪把自己当成了一匹正在驰骋的骏马。\n\n总的来说，这是一个利用音画反差来制造萌点和笑点的宠物视频。"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 915,
        "completion_tokens": 1423,
        "total_tokens": 2338,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 5,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1162
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}

上記からわかるように、Gemini 3.0 モデルはマルチモーダルな理解をサポートできます。

​

Gemini-3.1 マルチモーダルモデル

gemini-3.1-pro-preview は現在の Gemini 3.1 Pro の公式モデル ID であり、テキスト、画像、動画などのマルチモーダル入力をサポートし、複雑な推論、コーディング、理解タスクに適しています。

リクエスト例：

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Gemini 3.1 Pro は同様に動画理解もサポートしています：

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

返却形式は Gemini 3.0 Pro と同一です。詳細については、上記の Gemini-3.0 マルチモーダルモデルのセクションの説明を参照してください。

​

エラー処理

API を呼び出す際にエラーが発生した場合、API は対応するエラーコードと情報を返します。例：

• 400 token_mismatched：Bad request、パラメータの欠落または無効が原因である可能性があります。
• 400 api_not_implemented：Bad request、パラメータの欠落または無効が原因である可能性があります。
• 401 invalid_token：Unauthorized、認証トークンが無効または欠落しています。
• 429 too_many_requests：Too many requests、レート制限を超えています。
• 500 api_error：Internal server error、サーバー側で問題が発生しました。

​

エラー応答の例

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

​

結論

本ドキュメントを通じて、Gemini Chat Completion API を使用して、公式 Gemini の対話機能を簡単に実装する方法をご理解いただけたと思います。本ドキュメントが、当該 API の連携および使用により役立つことを願っております。ご不明な点がございましたら、いつでも弊社の技術サポートチームまでお問い合わせください。