Veo 3.1 telah hadir! Baca tentang model baru dan fiturnya di postingan blog dan dokumentasi.

Halaman ini diterjemahkan oleh Cloud Translation API.

All methods

Generative Language API

Gemini API memungkinkan developer membuat aplikasi AI generatif menggunakan model Gemini. Gemini adalah model kami yang paling canggih, yang dibuat dari awal agar bersifat multimodal. Model ini dapat melakukan generalisasi dan dengan lancar memahami, beroperasi, dan menggabungkan berbagai jenis informasi, termasuk bahasa, gambar, audio, video, dan kode. Anda dapat menggunakan Gemini API untuk kasus penggunaan seperti penalaran di seluruh teks dan gambar, pembuatan konten, agen dialog, sistem ringkasan dan klasifikasi, dan banyak lagi.

Layanan: generativelanguage.googleapis.com

Untuk memanggil layanan ini, sebaiknya gunakan library klien yang disediakan Google. Jika aplikasi perlu menggunakan library Anda sendiri untuk memanggil layanan ini, gunakan informasi berikut saat membuat permintaan API.

Endpoint layanan

Endpoint layanan adalah URL dasar yang menentukan alamat jaringan layanan API. Satu layanan dapat memiliki beberapa endpoint layanan. Layanan ini memiliki endpoint layanan berikut dan semua URI di bawah didasarkan pada endpoint layanan ini:

https://generativelanguage.googleapis.com

REST Resource: v1beta.batches

Metode
`cancel`	`POST /v1beta/{name=batches/*}:cancel` Memulai pembatalan asinkron pada operasi yang berjalan lama.
`delete`	`DELETE /v1beta/{name=batches/*}` Menghapus operasi yang berjalan lama.
`get`	`GET /v1beta/{name=batches/*}` Mendapatkan status terbaru dari operasi yang berjalan lama.
`list`	`GET /v1beta/{name=batches}` Menampilkan operasi yang sesuai dengan filter yang ditentukan dalam permintaan.
`updateEmbedContentBatch`	`PATCH /v1beta/{embedContentBatch.name=batches/*}:updateEmbedContentBatch` Memperbarui batch permintaan EmbedContent untuk pemrosesan batch.
`updateGenerateContentBatch`	`PATCH /v1beta/{generateContentBatch.name=batches/*}:updateGenerateContentBatch` Memperbarui batch permintaan GenerateContent untuk pemrosesan batch.

REST Resource: v1beta.cachedContents

Metode
`create`	`POST /v1beta/cachedContents` Membuat resource CachedContent.
`delete`	`DELETE /v1beta/{name=cachedContents/*}` Menghapus resource CachedContent.
`get`	`GET /v1beta/{name=cachedContents/*}` Membaca resource CachedContent.
`list`	`GET /v1beta/cachedContents` Mencantumkan CachedContents.
`patch`	`PATCH /v1beta/{cachedContent.name=cachedContents/*}` Memperbarui resource CachedContent (hanya waktu habis masa berlaku yang dapat diperbarui).

REST Resource: v1beta.files

Metode
`delete`	`DELETE /v1beta/{name=files/*}` Menghapus `File`.
`get`	`GET /v1beta/{name=files/*}` Mendapatkan metadata untuk `File` yang ditentukan.
`list`	`GET /v1beta/files` Mencantumkan metadata untuk `File` yang dimiliki oleh project yang meminta.

REST Resource: v1beta.media

Metode
`upload`	`POST /v1beta/{ragStoreName=ragStores/}:uploadToRagStore` `POST /upload/v1beta/{ragStoreName=ragStores/}:uploadToRagStore` Mengupload data ke ragStore, melakukan praproses dan membagi-bagi data sebelum menyimpannya di Dokumen RagStore.

REST Resource: v1beta.models

Metode
`asyncBatchEmbedContent`	`POST /v1beta/{batch.model=models/*}:asyncBatchEmbedContent` Mengantrekan batch permintaan `EmbedContent` untuk batch processing.
`batchEmbedContents`	`POST /v1beta/{model=models/*}:batchEmbedContents` Membuat beberapa vektor embedding dari input `Content` yang terdiri dari batch string yang direpresentasikan sebagai objek `EmbedContentRequest`.
`batchEmbedText`	`POST /v1beta/{model=models/*}:batchEmbedText` Menghasilkan beberapa embedding dari model yang diberi input teks dalam panggilan sinkron.
`batchGenerateContent`	`POST /v1beta/{batch.model=models/*}:batchGenerateContent` Mengantrekan batch permintaan `GenerateContent` untuk batch processing.
`countMessageTokens`	`POST /v1beta/{model=models/*}:countMessageTokens` Menjalankan tokenizer model pada string dan menampilkan jumlah token.
`countTextTokens`	`POST /v1beta/{model=models/*}:countTextTokens` Menjalankan tokenizer model pada teks dan menampilkan jumlah token.
`countTokens`	`POST /v1beta/{model=models/*}:countTokens` Menjalankan tokenizer model pada input `Content` dan menampilkan jumlah token.
`embedContent`	`POST /v1beta/{model=models/*}:embedContent` Membuat vektor embedding teks dari `Content` input menggunakan model Embedding Gemini yang ditentukan.
`embedText`	`POST /v1beta/{model=models/*}:embedText` Membuat embedding dari model yang diberi pesan input.
`generateContent`	`POST /v1beta/{model=models/*}:generateContent` Membuat respons model berdasarkan input `GenerateContentRequest`.
`generateMessage`	`POST /v1beta/{model=models/*}:generateMessage` Menghasilkan respons dari model berdasarkan input `MessagePrompt`.
`generateText`	`POST /v1beta/{model=models/*}:generateText` Menghasilkan respons dari model berdasarkan pesan input.
`get`	`GET /v1beta/{name=models/*}` Mendapatkan informasi tentang `Model` tertentu seperti nomor versinya, batas token, parameter, dan metadata lainnya.
`list`	`GET /v1beta/models` Mencantumkan `Model` yang tersedia melalui Gemini API.
`predict`	`POST /v1beta/{model=models/*}:predict` Melakukan permintaan prediksi.
`predictLongRunning`	`POST /v1beta/{model=models/*}:predictLongRunning` Sama seperti Predict, tetapi menampilkan LRO.
`streamGenerateContent`	`POST /v1beta/{model=models/*}:streamGenerateContent` Menghasilkan respons streaming dari model yang diberi input `GenerateContentRequest`.