> ## Documentation Index > Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt > Use this file to discover all available pages before exploring further. # Gemini 新「智绘」 > Geminiの描画とビデオ生成ガイド ## Imagen 描画 Imagenは、Googleが開発した高度な画像生成AIモデルシリーズで、テキストプロンプトに基づいて高品質でリアルな画像を生成できます。このガイドでは、パラメータ設定、モデル選択、コード例など、ImagenシリーズAPIを使用して画像を生成する方法を説明します。 利用可能なモデルリスト： * imagen-4.0-ultra-generate-001 * imagen-4.0-generate-001 * imagen-4.0-fast-generate-001 * imagen-4.0-fast-generate-preview-06-06 * imagen-3.0-generate-002 1. 現在、Imagenは英語のプロンプトのみをサポートしています。統合時には、ユーザーが問題なく使用できるように自動翻訳を追加することをお勧めします。 2. 大量のテキストの描画は不安定なため、重要なキーワードのみを描画することをお勧めします。 3. プレビュー期間中、Imagenシリーズモデルは同価格ですが、将来的には公式価格に合わせて調整される可能性があります。 ### モデルパラメータ Imagenは現在、英語のプロンプトのみをサポートしており、以下のパラメータを提供しています。 * **numberOfImages**: 生成する画像の数。1から4（含む）の範囲。デフォルト値は4です。また、`imagen-4.0-ultra-generate-001`は一度に1枚しか生成できないことに注意してください。 * **aspectRatio**: 生成される画像の縦横比を変更します。「1:1」、「3:4」、「4:3」、「9:16」、「16:9」がサポートされています。デフォルト値は「1:1」です。 * **personGeneration**: モデルが人物画像を生成することを許可します。以下の値がサポートされています。 * 「DONT\_ALLOW」：人物画像の生成をブロックします。 * 「ALLOW\_ADULT」：成人画像を生成しますが、子供画像は生成しません。これがデフォルト値です。 ### 料金 Imagen APIで画像を生成する料金は以下の通りです： * imagen-4-ultra：\$0.06/枚 * imagen-4：\$0.04/枚 * imagen-4-fast：\$0.02/枚 * imagen-3：\$0.03/枚 ご注意ください。1回の呼び出しで1～4枚の画像を生成でき、料金は実際に生成された枚数に応じて計算されます。 ### 呼び出し例 以下は、Imagenを使用して画像を生成するPython呼び出しの例です。 ```py Imagen theme={null} import os import time from google import genai from google.genai import types from PIL import Image from io import BytesIO client = genai.Client( api_key="sk-***", # 🔑 AiHubMixで生成したキーに置き換えてください http_options={"base_url": "https://aihubmix.com/gemini"}, ) # 現在は英語のプロンプトのみをサポートしており、大量のテキストの描画はパフォーマンスが低い response = client.models.generate_images( model='imagen-3.0-generate-002', prompt='A minimalist logo for a LLM router market company on a solid white background. trident in a circle as the main symbol, with ONLY text \'InferEra\' below.', config=types.GenerateImagesConfig( number_of_images=1, aspect_ratio="1:1", # "1:1", "9:16", "16:9", "3:4", または "4:3"をサポート ) ) script_dir = os.path.dirname(os.path.abspath(__file__)) output_dir = os.path.join(script_dir, "output") os.makedirs(output_dir, exist_ok=True) # ファイル名の衝突を避けるため、タイムスタンプをファイル名のプレフィックスとして生成 timestamp = int(time.time()) # 生成された画像を保存して表示 for i, generated_image in enumerate(response.generated_images): image = Image.open(BytesIO(generated_image.image.image_bytes)) image.show() file_name = f"imagen3_{timestamp}_{i+1}.png" file_path = os.path.join(output_dir, file_name) image.save(file_path) print(f"画像は以下に保存されました：{file_path}") ``` ### プロンプトのヒント 理想的な画像を得るためには、効果的なプロンプトを作成することが重要です。 * 主題、スタイル、照明、角度など、詳細な説明を使用します。 * 芸術的なスタイル（映画のような、写実主義、アニメスタイルなど）を指定します。 * 技術的な詳細（DSLR、高解像度、詳細など）を含めます。 * 否定的または禁止されたコンテンツを避けます。 * **プロンプトに大量のテキストを含めないでください**。より安定した結果を得るには、重要なキーワードのみを使用してください。 * キーワードに`girl`が含まれている場合、TypeError: 'NoneType' object is not iterableエラーが発生しやすいです。人物の描画には推奨されません。 ## Gemini 2.0 Flash 画像生成 Geminiも画像生成機能を提供しており、代替案として利用できます。Imagen 3.0と比較して、Geminiの画像生成は、究極の芸術的表現や視覚的品質を追求するのではなく、コンテキスト理解と推論が必要なシナリオに適しています。 * より高い視覚的品質 → 実験版と比較して、画像はより鮮明で、より豊かで、よりクリアです。 * より正確なテキスト表現 → 生成されたビジュアル内のテキストは、より正確で、きれいで、読みやすいです。 * フィルタリングによるブロックが大幅に減少 → よりスマートで寛容なフィルタリングメカニズムのおかげで、作成中に中断されることはほとんどありません。 **説明：** * モデルID：`gemini-2.0-flash-preview-image-generation` * 料金（入力→出力）：$0.1→$0.4/Mトークン * 新機能`"modalities":["text","image"]`を体験するには、新しいパラメータを追加する必要があります。 * 画像はBase64エンコード形式で渡され、出力されます。 * 実験モデルであるため、「画像を生成」と明示的に指定することをお勧めします。そうしないと、テキストのみになる可能性があります。 * 出力画像のデフォルトの高さは1024pxです。 * Python呼び出しには最新のOpenAI SDKサポートが必要です。まず`pip install -U openai`を実行してください。 * 詳細については、[Gemini公式ドキュメント](https://ai.google.dev/gemini-api/docs/image-generation)をご覧ください。 `gemini-2.0-flash-exp`は正式に`gemini-2.0-flash-preview-image-generation`にアップグレードされ、作成プロセスがよりスムーズでエキサイティングになりました。 **入力参照構造：** ```json theme={null} "modalities": ["text","image"] { "model": "gemini-2.0-flash-preview-image-generation", "messages": [ { "role": "user", "content": "Generate a landscape painting and provide a poem to describe it" } ], "modalities":["text","image"], // imageを追加する必要があります "temperature": 0.7 }' ``` **出力参照構造：** ```json theme={null} "choices": [ { "index": 0, "message": { "role": "assistant", "content": "Hello! How can I assist you today?", "refusal": null, "multi_mod_content": //📍 新規追加 [ { "text": "", "inlineData": { "data":"base64 str", "mimeType":"png" } }, { "text": "hello", "inlineData": { } } ], "annotations": [] }, "logprobs": null, "finish_reason": "stop" } ], ``` ### 画像とテキストの生成 入力：テキスト + 画像 出力：テキスト + 画像 ```shell Curl theme={null} IMG_PATH="/your_path/image.jpg" if [[ "$(base64 --version 2>&1)" = *"FreeBSD"* ]]; then B64FLAGS="--input" else B64FLAGS="-w0" fi IMG_BASE64=$(base64 "$B64FLAGS" "$IMG_PATH" 2>&1) curl https://aihubmix.com/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-***" \ -d '{ "model": "gemini-2.0-flash-preview-image-generation", "messages": [ { "role": "user", "content": [ { "type":"text", "text":"describe the image with a concise and engaging paragraph, then fill color as children's crayon style" }, { "type": "image_url", "image_url": { "url": "data:image/jpeg;base64,'$IMG_BASE64'" } } ] } ], "modalities": ["text","image"], "temperature": 0.7 }' \ | grep -o '"data":"[^"]*"' \ | cut -d'"' -f4 \ | base64 --decode > /your_path/imageGen.jpg ``` ```py Python theme={null} import os from openai import OpenAI from PIL import Image from io import BytesIO import base64 client = OpenAI( api_key="sk-***", # あなたのAiHubMixで生成したキーに置き換えてください base_url="https://aihubmix.com/v1", ) # テキストのみの入力を使用 response = client.chat.completions.create( model="gemini-2.0-flash-preview-image-generation", messages=[ { "role": "user", "content": [ { "type": "text", "text": "generate an adorable mermaid in the sea, bold outline, chibi cartoon, in the style of Children coloring book, B&W", } ], }, ], modalities=["text", "image"], temperature=0.7, ) try: # 基本的な応答情報を出力 print(f"作成時間: {response.created}") print(f"トークン使用量: {response.usage.total_tokens}") # multi_mod_contentフィールドが存在するかどうかを確認 if ( hasattr(response.choices[0].message, "multi_mod_content") and response.choices[0].message.multi_mod_content is not None ): print("\n応答コンテンツ:") for part in response.choices[0].message.multi_mod_content: if "text" in part and part["text"] is not None: print(part["text"]) # 画像コンテンツを処理 elif "inline_data" in part and part["inline_data"] is not None: print("\n🖼️ [画像コンテンツを受信しました]") image_data = base64.b64decode(part["inline_data"]["data"]) mime_type = part["inline_data"].get("mime_type", "image/png") print(f"画像タイプ: {mime_type}") image = Image.open(BytesIO(image_data)) image.show() # 画像を保存 output_dir = os.path.join(os.path.dirname(os.path.abspath(__file__)), "output") os.makedirs(output_dir, exist_ok=True) output_path = os.path.join(output_dir, "generated_image.jpg") image.save(output_path) print(f"✅ 画像は以下に保存されました: {output_path}") else: print("有効なマルチモーダル応答が受信されませんでした。応答構造を確認してください") except Exception as e: print(f"応答の処理中にエラーが発生しました: {str(e)}") ``` **出力例：** 画像 ### 画像編集 入力：テキスト + 画像 出力：テキスト + 画像 ```py Python theme={null} import os from openai import OpenAI from PIL import Image from io import BytesIO import base64 client = OpenAI( api_key="sk-***", # あなたのAiHubMixで生成したキーに置き換えてください base_url="https://aihubmix.com/v1", ) project_root = os.path.dirname(os.path.dirname(os.path.abspath(__file__))) image_path = os.path.join(os.path.dirname(os.path.abspath(__file__)), "resources", "filled.jpg") if not os.path.exists(image_path): raise FileNotFoundError(f"画像 {image_path} が存在しません") def encode_image(image_path): with open(image_path, "rb") as image_file: return base64.b64encode(image_file.read()).decode("utf-8") base64_image = encode_image(image_path) response = client.chat.completions.create( model="gemini-2.0-flash-preview-image-generation", messages=[ { "role": "user", "content": [ { "type": "text", "text": "describe the image with a concise and engaging paragraph, then fill color as children's crayon style", }, { "type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{base64_image}"}, }, ], }, ], modalities=["text", "image"], temperature=0.7, ) try: # base64データなしで基本的な応答情報を出力 print(f"作成時間: {response.created}") print(f"トークン使用量: {response.usage.total_tokens}") # multi_mod_contentフィールドが存在するかどうかを確認 if ( hasattr(response.choices[0].message, "multi_mod_content") and response.choices[0].message.multi_mod_content is not None ): print("\n応答コンテンツ:") for part in response.choices[0].message.multi_mod_content: if "text" in part and part["text"] is not None: print(part["text"]) # 画像コンテンツを処理 elif "inline_data" in part and part["inline_data"] is not None: print("\n🖼️ [画像コンテンツを受信しました]") image_data = base64.b64decode(part["inline_data"]["data"]) mime_type = part["inline_data"].get("mime_type", "image/png") print(f"画像タイプ: {mime_type}") image = Image.open(BytesIO(image_data)) image.show() # 画像を保存 output_dir = os.path.join(os.path.dirname(image_path), "output") os.makedirs(output_dir, exist_ok=True) output_path = os.path.join(output_dir, "edited_image.jpg") image.save(output_path) print(f"✅ 画像は以下に保存されました: {output_path}") else: print("有効なマルチモーダル応答が受信されませんでした。応答構造を確認してください") except Exception as e: print(f"応答の処理中にエラーが発生しました: {str(e)}") ``` **出力例：** 画像 ## 正しい描画モデルの選択 ### Geminiを選択する場合： * 世界の知識と推論能力を活用して、コンテキストに関連する画像を生成する必要がある場合。 * テキストと画像をシームレスに組み合わせる必要がある場合。 * 長いテキストシーケンスに正確な視覚コンテンツを埋め込む必要がある場合。 * コンテキストを維持しながら、対話形式で画像を編集したい場合。 ### Imagenを選択する場合： * 画像の品質、写真のようなリアルさ、芸術的な詳細、または特定のスタイル（印象派、アニメなど）が最優先事項である場合。 * 製品の背景更新や画像の拡大など、プロフェッショナルな編集タスクを実行する場合。 * ブランド、スタイルを注入したり、ロゴや製品デザインを生成したりする場合。 ### ベストプラクティス 1. **プロンプトの最適化**：高品質な出力を得るための鍵となるプロンプトを慎重に設計します。 2. **パラメータの実験**：さまざまなアスペクト比と設定を試して、ニーズに最適な構成を見つけます。 3. **バッチ生成**：複数の画像を生成して、理想的な結果を得る可能性を高めます。 4. **メタデータの保存**：プロンプトとタイムスタンプを画像と一緒に保存して、成功した結果を追跡および複製できるようにします。 5. **使用ポリシーの遵守**：使用がGoogleのコンテンツポリシーと利用規約に準拠していることを確認します。 ## Veo 3.0 ビデオ生成 VEO 3.0は、Google DeepMindが開発した最新の高度なビデオ生成モデルです。[VEO 3.0](https://aihubmix.com/models?model=veo-3.0-generate-preview)を使用すると、以下の特徴を持つビデオを生成できます。 * テキストと画像プロンプトから生成される品質の向上 * 音声、例えば会話やナレーション * 音声、例えば音楽や効果音 1. 現在、VEO 3.0は英語のプロンプトのみをサポートしています。統合時には自動翻訳を追加することをお勧めします。 2. ビデオの生成には通常数分かかりますが、ピーク時にはさらに時間がかかる場合があります。 3. 現在、画像を使用した会話生成ビデオはサポートされていません。 ### 既知の制限 現在、VEO 3.0のパラメータは固定されており、変更できません。 * **解像度**: 720p（横長） * **フレームレート**: 24fps * **ビデオ長**: 8秒 ### 料金 VEO 3.0 APIの使用料は**1秒あたり\$0.675**です（Aihubmixは10%の期間限定割引を提供）。 ### 呼び出し例 VEO 3.0は現在、curlコマンド呼び出しのみをサポートしており、2段階の処理方法を採用しています。 `sk-***`は、AiHubMixで生成したキーに置き換えてください。 ```shell ステップ1：生成リクエストを開始 theme={null} curl "https://aihubmix.com/gemini/v1beta/models/veo-3.0-generate-preview:predictLongRunning?key=sk-***" \ -H "Content-Type: application/json" \ -X "POST" \ -d '{ "instances": [ { "prompt": "A cat playing with a ball" } ], "parameters": { "numberOfVideos": 1, "durationSeconds": 8, "aspectRatio": "16:9", "personGeneration": "dont_allow" } }' ``` ```shell ステップ2：生成結果を取得 theme={null} # ステップ1で返されたnameフィールドの操作IDを使用 curl "https://aihubmix.com/gemini/v1beta/models/veo-3.0-generate-preview/operations/ff5***?key=sk-***" ``` ```py ビデオ抽出スクリプト theme={null} import json import base64 # 1. 応答JSONファイルを読み込む with open('yourpath/response.json', 'r') as f: data = json.load(f) # 2. base64エンコードされたビデオ文字列を取得 b64_str = data['response']['videos'][0]['bytesBase64Encoded'] # 3. デコードしてmp4ファイルに書き込む with open('output.mp4', 'wb') as f: f.write(base64.b64decode(b64_str)) print("ビデオはoutput.mp4として保存されました") ``` ### 戻り値の例 **ステップ1の戻り値：** ```json theme={null} { "name": "models/veo-3.0-generate-preview/operations/ff5***" } ``` **ステップ2の戻り値（生成完了）：** ```json theme={null} { "name": "projects/ahm-gemini-03/locations/us-central1/publishers/google/models/veo-3.0-generate-preview/operations/ff5***", "done": true, "response": { "@type": "type.googleapis.com/cloud.ai.large_models.vision.GenerateVideoResponse", "raiMediaFilteredCount": 0, "videos": [ { "bytesBase64Encoded": "AAA...2xl", "mimeType": "video/mp4" } ] } } ``` **ステップ2の戻り値（処理中）：** ```json theme={null} { "name": "projects/ahm-gemini-03/locations/us-central1/publishers/google/models/veo-3.0-generate-preview/operations/777***" } ``` 処理中の戻り値を受け取った場合は、数分待ってからステップ2のリクエストを再送信してください。 **ビデオ効果：**