メディアの解像度

media_resolution パラメータは、メディア入力に割り当てられるトークンの最大数を決定することで、Gemini API が画像、動画、音声、PDF ドキュメントなどのメディア入力を処理する方法を制御します。これにより、レスポンスの品質とレイテンシ、費用のバランスを調整できます。ビジュアル入力とドキュメント入力では、解像度の設定に基づいてトークンの割り当てがスケーリングされますが、音声入力は、すべての解像度レベルで 1 秒あたり固定レートでトークン化されます。さまざまな設定、デフォルト値、トークンとの対応については、トークン数セクションをご覧ください。

メディアの解像度は、次の 2 つの方法で構成できます。

  • パーツごと(Gemini 4 モデルと Gemini 3 モデル)

  • generateContent リクエスト全体(すべてのマルチモーダル モデル)に対してグローバル

パートごとのメディア解像度(Gemini 4、Gemini 3)

Gemini 4 と Gemini 3 では、リクエスト内の個々のメディア オブジェクトにメディア解像度を設定できるため、トークンの使用量を細かく最適化できます。1 つのリクエストで複数の解像度レベルを混在させることができます。たとえば、複雑な図には高解像度を使用し、コンテキスト画像には低解像度を使用します。この設定は、特定の部分のグローバル構成をオーバーライドします。デフォルト設定については、トークン数セクションをご覧ください。

Python

from google import genai
from google.genai import types

# The media_resolution parameter for parts is available in the v1beta API version.
client = genai.Client(
  http_options={
      'api_version': 'v1beta',
  }
)

# Replace with your image data
with open('path/to/image1.jpg', 'rb') as f:
    image_bytes_1 = f.read()

# Create parts with different resolutions
image_part_high = types.Part.from_bytes(
    data=image_bytes_1,
    mime_type='image/jpeg',
    media_resolution=types.MediaResolution.MEDIA_RESOLUTION_HIGH
)

model_name = 'gemini-4-argon'

response = client.models.generate_content(
    model=model_name,
    contents=["Describe these images:", image_part_high]
)
print(response.text)

JavaScript

// Example: Setting per-part media resolution in JavaScript
import { GoogleGenAI, MediaResolution, Part } from '@google/genai';
import * as fs from 'fs';
import { Buffer } from 'buffer'; // Node.js

const ai = new GoogleGenAI({ httpOptions: { apiVersion: 'v1beta' } });

// Helper function to convert local file to a Part object
function fileToGenerativePart(path, mimeType, mediaResolution) {
    return {
        inlineData: { data: Buffer.from(fs.readFileSync(path)).toString('base64'), mimeType },
        mediaResolution: { 'level': mediaResolution }
    };
}

async function run() {
    // Create parts with different resolutions
    const imagePartHigh = fileToGenerativePart('img.png', 'image/png', Part.MediaResolutionLevel.MEDIA_RESOLUTION_HIGH);
    const model_name = 'gemini-4-argon';
    const response = await ai.models.generateContent({
        model: model_name,
        contents: ['Describe these images:', imagePartHigh]
        // Global config can still be set, but per-part settings will override
        // config: {
        //   mediaResolution: MediaResolution.MEDIA_RESOLUTION_MEDIUM
        // }
    });
    console.log(response.text);
}
run();

REST

# Replace with paths to your images
IMAGE_PATH="path/to/image.jpg"

# Base64 encode the images
BASE64_IMAGE1=$(base64 -w 0 "$IMAGE_PATH")

MODEL_ID="gemini-4-argon"

echo '{
    "contents": [{
      "parts": [
        {"text": "Describe these images:"},
        {
          "inline_data": {
            "mime_type": "image/jpeg",
            "data": "'"$BASE64_IMAGE1"'",
          },
          "media_resolution": {"level": "MEDIA_RESOLUTION_HIGH"}
        }
      ]
    }]
  }' > request.json

curl -s -X POST \
  "https://generativelanguage.googleapis.com/v1beta/models/${MODEL_ID}:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d @request.json

グローバル メディアの解像度

GenerationConfig を使用して、リクエスト内のすべてのメディア要素のデフォルト解像度を設定できます。これは、すべてのマルチモーダル モデルでサポートされています。リクエストにグローバル設定とパートごとの設定の両方が含まれている場合、その特定のアイテムにはパートごとの設定が優先されます。

Python

from google import genai
from google.genai import types

client = genai.Client()

# Prepare standard image part
with open('image.jpg', 'rb') as f:
    image_bytes = f.read()
image_part = types.Part.from_bytes(data=image_bytes, mime_type='image/jpeg')

# Set global configuration
config = types.GenerateContentConfig(
    media_resolution=types.MediaResolution.MEDIA_RESOLUTION_HIGH
)

response = client.models.generate_content(
    model='gemini-3.8-flash',
    contents=["Describe this image:", image_part],
    config=config
)
print(response.text)

JavaScript

import { GoogleGenAI, MediaResolution } from '@google/genai';
import * as fs from 'fs';

const ai = new GoogleGenAI({ });

async function run() {
   // ... (Image loading logic) ...

   const response = await ai.models.generateContent({
      model: 'gemini-3.8-flash',
      contents: ["Describe this image:", imagePart],
      config: {
         mediaResolution: MediaResolution.MEDIA_RESOLUTION_HIGH
      }
   });
   console.log(response.text);
}
run();

REST

# ... (Base64 encoding logic) ...

curl -s -X POST \
  "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [...],
    "generation_config": {
      "media_resolution": "MEDIA_RESOLUTION_HIGH"
    }
  }'

使用可能な解像度の値

Gemini API では、メディアの解像度について次のレベルが定義されています。

  • MEDIA_RESOLUTION_UNSPECIFIED: デフォルト設定。このレベルのトークン数は、Gemini 3 と以前の Gemini モデルで大きく異なります。
  • MEDIA_RESOLUTION_LOW: トークン数が少なくなり、処理が高速化され、コストが削減されますが、詳細度は低くなります。
  • MEDIA_RESOLUTION_MEDIUM: 詳細、費用、レイテンシのバランスが取れています。
  • MEDIA_RESOLUTION_HIGH: トークン数が多いほど、モデルが処理する詳細情報が増えますが、レイテンシと費用が増加します。
  • MEDIA_RESOLUTION_ULTRA_HIGH(パート単位のみ): トークン数が最も多く、コンピュータの使用などの特定のユースケースに必要です。

MEDIA_RESOLUTION_HIGH はほとんどのユースケースで最適なパフォーマンスを提供します。

これらの各レベルで生成されるトークンの正確な数は、メディアタイプ(画像、動画、音声、PDF)とモデル バージョンの両方によって異なります。

トークン数

次の表に、モデル ファミリーごとの各 media_resolution 値とメディアタイプの概算トークン数を示します。

Gemini 3 モデル

MediaResolution 画像 動画 音声 PDF
MEDIA_RESOLUTION_UNSPECIFIED(デフォルト) 1120 70 25(1 秒あたり) 560
MEDIA_RESOLUTION_LOW 280 70 25(1 秒あたり) 280 + ネイティブ テキスト
MEDIA_RESOLUTION_MEDIUM 560 70 25(1 秒あたり) 560 + ネイティブ テキスト
MEDIA_RESOLUTION_HIGH 1120 280 25(1 秒あたり) 1120 + ネイティブ テキスト
MEDIA_RESOLUTION_ULTRA_HIGH 2,240 なし なし なし

Gemini 2.5 モデル

MediaResolution 画像 動画 音声 PDF(スキャン済み) PDF(ネイティブ)
MEDIA_RESOLUTION_UNSPECIFIED(デフォルト) 256 + パン&スキャン(約 2,048) 256 32(1 秒あたり) 256 + OCR 256 + ネイティブ テキスト
MEDIA_RESOLUTION_LOW 64 64 32(1 秒あたり) 64 + OCR 64 + ネイティブ テキスト
MEDIA_RESOLUTION_MEDIUM 256 256 32(1 秒あたり) 256 + OCR 256 + ネイティブ テキスト
MEDIA_RESOLUTION_HIGH 256 + パン&スキャン 256 32(1 秒あたり) 256 + OCR 256 + ネイティブ テキスト

適切な解像度の選択

  • デフォルト(UNSPECIFIED): デフォルトから始めます。最も一般的なユースケースで、品質、レイテンシ、費用のバランスが取れるように調整されています。
  • LOW: 費用とレイテンシが最重要で、詳細な情報はそれほど重要でないシナリオで使用します。
  • MEDIUM / HIGH: タスクでメディア内の複雑な詳細を理解する必要がある場合は、解像度を上げます。これは、複雑な視覚分析、グラフの読み取り、高密度のドキュメントの理解によく必要になります。
  • ULTRA HIGH - パーツごとの設定でのみ使用できます。パソコンの使用など、特定のユースケースや、テストで HIGH よりも明確な改善が見られる場合に推奨されます。
  • パートごとの制御(Gemini 4 と Gemini 3): トークンの使用量を最適化します。たとえば、複数の画像を含むプロンプトでは、複雑な図には HIGH を使用し、シンプルなコンテキスト画像には LOW または MEDIUM を使用します。

おすすめの設定

以下に、サポートされている各メディア タイプに推奨されるメディア解像度設定を示します。

メディアタイプ 推奨設定 最大トークン数 使用方法
画像検索 MEDIA_RESOLUTION_HIGH 1120 品質を最大限に高めるために、ほとんどの画像分析タスクに推奨されます。
PDF MEDIA_RESOLUTION_MEDIUM 560 ドキュメントの理解に最適です。通常、品質は medium で飽和します。high に増やしても、標準ドキュメントの OCR 結果が改善されることはほとんどありません。
動画(一般) MEDIA_RESOLUTION_LOW(または MEDIA_RESOLUTION_MEDIUM) 70(フレームあたり) 注: 動画の場合、コンテキストの使用を最適化するために、low と medium の設定は同じ(70 トークン)として扱われます。これは、ほとんどのアクション認識タスクと説明タスクに十分です。
動画(テキストが多い) MEDIA_RESOLUTION_HIGH 280(フレームあたり) ユースケースで、密度の高いテキスト(OCR)や動画フレーム内の小さな詳細を読み取る必要がある場合にのみ必要です。
音声 MEDIA_RESOLUTION_UNSPECIFIED(デフォルト) Gemini 3 の場合は 25(/秒)、Gemini 2.5 の場合は 32(/秒) 音声は、サポートされているすべての解像度設定(unspecified、low、medium、high)で、1 秒あたり固定レートでトークン化されます。

さまざまな解像度設定が特定のアプリケーションに与える影響を常にテストして評価し、品質、レイテンシ、費用の最適なトレードオフを見つけてください。

動画処理モードとの関係

media_resolution と処理パラメータは、動画入力のさまざまな側面を制御します。

  • media_resolution は、各フレームの解像度(フレームあたりのトークン数)を制御します。
  • processing / media_processing は、動画のどのコンテンツをコンテキストに読み込むかを制御します。

同じ動画入力に両方を設定できます。たとえば、メディア解像度の低いエージェント処理を使用して、長い動画の合計トークン使用量を最小限に抑えることができます。

動画処理モードの詳細については、エージェントによる動画理解のガイドをご覧ください。

バージョンの互換性の概要

  • MediaResolution 列挙型は、メディア入力をサポートするすべてのモデルで使用できます。
  • 各列挙型レベルに関連付けられたトークン数は、Gemini 4 / Gemini 3 モデルと以前の Gemini バージョンで異なります。
  • 個々の Part オブジェクトに media_resolution を設定することは、Gemini 4 モデルと Gemini 3 モデルでサポートされています。

次のステップ