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、npm install @comfyorg/sdk)を使用しています。cURL のスニペットは、生の HTTP で同じ呼び出しを行います。
Model ID: vertexai/gemini-3.1-flash-image
Endpoint: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image
- Wait for the result
- Queue and collect later
スキーマ
入力
object[]
必須
モデルとの現在の会話のコンテンツ。単一ターンのクエリで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、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。
object[]
必須
object
URI ベースのデータ。
string
URI
string
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/webmobject
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。
string (byte)
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フォーマット:
bytestring
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/webmstring
モデルがこのパートの動画をどのように読み取るか。“AGENTIC” を設定すると、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決定できるようになります。デフォルトの固定レートサンプリングでは省略します。gemini-3.7-flash 以降の Flash モデルでサポートされています。
string
テキストプロンプトまたはコードスニペット。
boolean
このパートがモデルからの思考/推論ステップであることを示します。
string
指定可能な値:
user、modelobject
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、それ以外はモデル自身の動作にフォールバックします。object
画像生成の設定
string
生成される画像のアスペクト比
object
任意。生成された画像の画像出力フォーマット。
integer
任意。出力画像の圧縮品質。
string
任意。出力を保存する画像フォーマット。
string
任意。生成される画像のサイズを指定します。サポートされる値は 1K、2K、4K です。指定しない場合、モデルはデフォルト値の 1K を使用します。
integer
応答で生成できるトークンの最大数。1 トークンは約 4 文字です。100 トークンはおよそ 60~80 語に相当します。範囲:
16 ~ 65536`TEXT`, `IMAGE`[]
integer
seed 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 seed 値を使用しても応答が変動する可能性があります。デフォルトではランダムな seed 値が使用されます。以下のモデルで利用可能です: 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
string[]
number
デフォルト:"1"
temperature は、topP と topK が適用されるときに行われる応答生成中のサンプリングに使用されます。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、あまり自由奔放でない、あるいは創造的でない応答が求められるプロンプトに適しており、高い temperature はより多様な、あるいは創造的な結果につながる可能性があります。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応答はほぼ決定論的ですが、わずかな変動は依然として起こりえます。モデルが汎用的すぎる応答や短すぎる応答を返す場合、あるいはフォールバック応答を返す場合は、temperature を上げてみてください範囲:
0 から 2形式: floatobject
任意。thinking 機能の設定です。thinking とは、モデルが複雑なタスクをより小さなステップに分解して、より高品質な応答を生成するプロセスです。
boolean
任意。true の場合、モデルは応答に自身の思考内容を含めます。
integer
任意。モデルの thinking プロセスに割り当てるトークン予算です。モデルはこの予算内に収まるよう最善を尽くします。
string
任意。モデルの thinking レベルです。指定可能な値:
THINKING_LEVEL_UNSPECIFIED, LOW, MEDIUM, HIGH, MINIMALinteger
デフォルト:"40"
Top-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の高いものになります。top-K が 3 の場合、temperature を用いて、最も確率の高い 3 つのトークンの中から次のトークンが選択されます。範囲:
1 から …number
デフォルト:"0.95"
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、その確率の合計が top-P の値に等しくなるまで、最も確率の高いもの (top-K を参照) から最も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。
よりランダム性の低い応答には低い値を、よりランダム性の高い応答には高い値を指定します。範囲:
0 から 1形式: floatobject[]
安全でないコンテンツをブロックするためのリクエストごとの設定です。GenerateContentResponse.candidates に対して適用されます。
string
必須
指定可能な値:
HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENTstring
必須
指定可能な値:
OFF, BLOCK_NONE, BLOCK_LOW_AND_ABOVE, BLOCK_MEDIUM_AND_ABOVE, BLOCK_ONLY_HIGHobject
モデルをより良いパフォーマンスへ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「応答に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制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 part の内容は別々の段落にしてください。
object[]
必須
1 つのメッセージを構成する、順序付けられた part のリストです。part ごとに異なる IANA MIME タイプを持つ場合があります。最大トークン数や画像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。
string
テキストプロンプトまたはコードスニペット。
string
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, modelobject[]
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、システムが外部システムと連携できるようにするコードの一部です。Function calling を参照してください。
object[]
string
string
必須
object
関数パラメータの JSON スキーマ
boolean
true の場合、生成された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。
object
ビデオ入力の場合、Duration 形式でビデオの開始と終了のオフセットを指定します。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 で提供されている場合にのみ指定してください。
object
ビデオタイムライン上の位置に対する再生時間のオフセットを表します。
integer
符号付き秒の小数部(ナノ秒解像度)。小数部を含む負の秒値の場合でも、nanos 値は非負でなければなりません。範囲:
0 ~ 999999999integer
期間の符号付き秒数。-315,576,000,000 ~ +315,576,000,000(両端を含む)の範囲でなければなりません。範囲:
-315576000000 ~ 315576000000object
ビデオタイムライン上の位置に対する再生時間のオフセットを表します。
integer
符号付き秒の小数部(ナノ秒解像度)。小数部を含む負の秒値の場合でも、nanos 値は非負でなければなりません。範囲:
0 ~ 999999999integer
期間の符号付き秒数。-315,576,000,000 ~ +315,576,000,000(両端を含む)の範囲でなければなりません。範囲:
-315576000000 ~ 315576000000GET /v2/models/vertexai/gemini-3.1-flash-image/openapi.json で提供するスキーマから生成されたもので、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同一のドキュメントです。
出力
object[]
object
object[]
string[]
integer
string
string (date)
形式:
dateinteger
string
string
object
モデルとの現在の会話のコンテンツ。単一ターンのクエリでは、これは単一のインスタンスです。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です。
object[]
必須
object
URI ベースのデータ。
string
URI
string
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。許容され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。取り得る値:
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/webmobject
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。
string (byte)
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:
bytestring
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。許容され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。取り得る値:
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/webmstring
モデルがこのパートの動画をどのように読み取るか。“AGENTIC” を設定すると、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決定できるようになります。デフォルトの固定レートサンプリングでは省略します。gemini-3.7-flash 以降の Flash モデルでサポートされています。
string
テキストプロンプトまたはコードスニペット。
boolean
このパートがモデルによる思考/推論のステップであることを示します。
string
取り得る値:
user、modelstring
object[]
string
取り得る値:
HARM_CATEGORY_SEXUALLY_EXPLICIT、HARM_CATEGORY_HATE_SPEECH、HARM_CATEGORY_HARASSMENT、HARM_CATEGORY_DANGEROUS_CONTENTstring
コンテンツが指定された安全性カテゴリに違反する確率取り得る値:
NEGLIGIBLE、LOW、MEDIUM、HIGH、UNKNOWNstring
レスポンスが作成されたタイムスタンプ。
string
レスポンスの生成に使用されたモデルのバージョン。
object
string
string
object[]
string
取り得る値:
HARM_CATEGORY_SEXUALLY_EXPLICIT、HARM_CATEGORY_HATE_SPEECH、HARM_CATEGORY_HARASSMENT、HARM_CATEGORY_DANGEROUS_CONTENTstring
コンテンツが指定された安全性カテゴリに違反する確率Possible values:
NEGLIGIBLE, LOW, MEDIUM, HIGH, UNKNOWNstring
レスポンスの一意の識別子。
object
integer
出力専用。入力内のキャッシュ部分(キャッシュされたコンテンツ)のトークン数。
integer
レスポンス内のトークン数。
object[]
モダリティごとの候補トークンの内訳。
string
入力または出力コンテンツのモダリティの種類。Possible values:
MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENTinteger
指定されたモダリティのトークン数。
integer
リクエスト内のトークン数。cachedContent が設定されている場合でも、これは有効なプロンプト全体のサイズであり、キャッシュされたコンテンツ内のトークン数も含まれます。
object[]
モダリティごとのプロンプトトークンの内訳。
string
入力または出力コンテンツのモダリティの種類。Possible values:
MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENTinteger
指定されたモダリティのトークン数。
integer
思考出力に含まれるトークン数。
integer
ツール使用プロンプトに含まれるトークン数。
object[]
モダリティごとのツール使用プロンプトトークンの内訳。
string
入力または出力コンテンツのモダリティの種類。指定可能な値:
MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENTinteger
指定されたモダリティのトークン数。
integer
トークンの合計数(プロンプト + 候補)。
string
リクエストに使用されたトラフィックタイプ(例: PROVISIONED_THROUGHPUT)。
例
入力
出力
inlineData.data に base64 バイト列が、inlineData.mimeType にメディアタイプが含まれます。バイト列をデコードしてファイルに保存してください。uploadImagesToStorage: true の場合、アップロードされた画像は代わりに fileData.fileUri に署名付き URL、fileData.mimeType にメディアタイプを使用します。これらの画像は URL の作成から 24 時間後に期限切れとなるため、それより前にダウンロードしてください。アップロードに失敗した画像はインラインのまま残るため、各 part に inlineData または fileData が含まれているかを確認してください。テキストの part が現れることもあり、画像が最初の part であるとは限りません。
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 は理由を示す 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。
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。