ความละเอียดของสื่อ

พารามิเตอร์ media_resolution จะควบคุมวิธีที่ Gemini API ประมวลผลอินพุตสื่อ เช่น รูปภาพ วิดีโอ และเอกสาร PDF โดยการกำหนดจำนวนโทเค็นสูงสุดที่จัดสรรไว้สำหรับอินพุตสื่อ ซึ่งจะช่วยให้คุณปรับสมดุลคุณภาพของคำตอบกับเวลาในการตอบสนองและค่าใช้จ่ายได้ ดูการตั้งค่าต่างๆ ค่าเริ่มต้น และวิธีที่การตั้งค่าเหล่านี้สอดคล้องกับโทเค็นได้ที่ส่วนจำนวนโทเค็น

คุณกำหนดค่าความละเอียดของสื่อได้ 2 วิธี ดังนี้

  • ต่อตอน (Gemini 3 เท่านั้น)

  • ทั่วโลกสำหรับคำขอ generateContent ทั้งหมด (โมเดลมัลติโมดัลทั้งหมด)

ความละเอียดของสื่อต่อส่วน (Gemini 3 เท่านั้น)

Gemini 3 ช่วยให้คุณตั้งค่าความละเอียดของสื่อสำหรับออบเจ็กต์สื่อแต่ละรายการภายในคำขอได้ ซึ่งช่วยให้เพิ่มประสิทธิภาพการใช้โทเค็นได้อย่างละเอียด คุณสามารถผสมระดับความละเอียดในคำขอเดียวได้ เช่น ใช้ความละเอียดสูงสำหรับไดอะแกรมที่ซับซ้อน และใช้ความละเอียดต่ำสำหรับรูปภาพตามบริบทอย่างง่าย การตั้งค่านี้จะลบล้างการกำหนดค่าส่วนกลางสำหรับชิ้นส่วนที่เฉพาะเจาะจง ดูการตั้งค่าเริ่มต้นได้ที่ส่วนจำนวนโทเค็น

Python

from google import genai
from google.genai import types

# The media_resolution parameter for parts is currently only available in the v1alpha API version. (experimental)
client = genai.Client(
  http_options={
      'api_version': 'v1alpha',
  }
)

# 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-3-pro-preview'

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: 'v1alpha' } });

// 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-3-pro-preview';
    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-3-pro-preview"

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/v1alpha/models/${MODEL_ID}:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d @request.json

ความละเอียดของสื่อทั่วโลก

คุณตั้งค่าความละเอียดเริ่มต้นสำหรับชิ้นส่วนสื่อทั้งหมดในคำขอได้โดยใช้ GenerationConfig โมเดลมัลติโมดัลทั้งหมดรองรับฟีเจอร์นี้ หากคำขอมีทั้งการตั้งค่าส่วนกลางและการตั้งค่าต่อชิ้นส่วน การตั้งค่าต่อชิ้นส่วนจะมีลำดับความสำคัญเหนือกว่าสำหรับรายการนั้นๆ

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-2.5-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-2.5-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-2.5-flash:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [...],
    "generation_config": {
      "media_resolution": "MEDIA_RESOLUTION_HIGH"
    }
  }'

ค่าความละเอียดที่ใช้ได้

Gemini API กำหนดระดับความละเอียดของสื่อดังต่อไปนี้

  • MEDIA_RESOLUTION_UNSPECIFIED: การตั้งค่าเริ่มต้น จำนวนโทเค็นสำหรับ ระดับนี้จะแตกต่างกันอย่างมากระหว่าง Gemini 3 กับโมเดล Gemini รุ่นก่อนหน้า
  • MEDIA_RESOLUTION_LOW: จำนวนโทเค็นน้อยลง ส่งผลให้ประมวลผลได้เร็วขึ้น และมีต้นทุนต่ำลง แต่มีรายละเอียดน้อยลง
  • MEDIA_RESOLUTION_MEDIUM: ความสมดุลระหว่างรายละเอียด ต้นทุน และเวลาในการตอบสนอง
  • MEDIA_RESOLUTION_HIGH: จำนวนโทเค็นสูงขึ้น ซึ่งให้รายละเอียดเพิ่มเติมเพื่อให้โมเดลทำงานได้ โดยมีข้อเสียคือเวลาในการตอบสนองและค่าใช้จ่ายเพิ่มขึ้น
  • (เร็วๆ นี้) MEDIA_RESOLUTION_ULTRA_HIGH: จำนวนโทเค็นสูงสุด จำเป็นสำหรับกรณีการใช้งานเฉพาะ เช่น การใช้คอมพิวเตอร์

จำนวนโทเค็นที่แน่นอนซึ่งสร้างขึ้นสำหรับแต่ละระดับเหล่านี้ จะขึ้นอยู่กับทั้งประเภทสื่อ (รูปภาพ วิดีโอ PDF) และรุ่นโมเดล

จำนวนโทเค็น

ตารางด้านล่างสรุปจำนวนโทเค็นโดยประมาณสำหรับแต่ละmedia_resolutionค่าและประเภทสื่อต่อตระกูลโมเดล

โมเดล Gemini 3

MediaResolution รูปภาพ วิดีโอ PDF
MEDIA_RESOLUTION_UNSPECIFIED (ค่าเริ่มต้น) 1120 70 560
MEDIA_RESOLUTION_LOW 280 70 280 + ข้อความเนทีฟ
MEDIA_RESOLUTION_MEDIUM 560 70 560 + ข้อความเนทีฟ
MEDIA_RESOLUTION_HIGH 1120 280 1120 + ข้อความเนทีฟ

โมเดล Gemini 2.5

MediaResolution รูปภาพ วิดีโอ PDF (สแกน) PDF (เนทีฟ)
MEDIA_RESOLUTION_UNSPECIFIED (ค่าเริ่มต้น) 256 + Pan & Scan (~2048) 256 256 + OCR 256 + ข้อความเนทีฟ
MEDIA_RESOLUTION_LOW 64 64 64 + OCR 64 + ข้อความเนทีฟ
MEDIA_RESOLUTION_MEDIUM 256 256 256 + OCR 256 + ข้อความเนทีฟ
MEDIA_RESOLUTION_HIGH 256 + Pan & Scan 256 256 + OCR 256 + ข้อความเนทีฟ

การเลือกความละเอียดที่เหมาะสม

  • ค่าเริ่มต้น (UNSPECIFIED): เริ่มต้นด้วยค่าเริ่มต้น โดยได้รับการปรับแต่งให้มีความสมดุลที่ดีระหว่างคุณภาพ เวลาในการตอบสนอง และต้นทุนสำหรับกรณีการใช้งานที่พบบ่อยที่สุด
  • LOW: ใช้ในกรณีที่ต้นทุนและเวลาในการตอบสนองมีความสำคัญสูงสุด และรายละเอียดแบบละเอียดมีความสำคัญน้อยกว่า
  • MEDIUM / HIGH: เพิ่มความละเอียดเมื่องานต้อง ทำความเข้าใจรายละเอียดที่ซับซ้อนภายในสื่อ ซึ่งมักจำเป็นสำหรับการวิเคราะห์ภาพที่ซับซ้อน การอ่านแผนภูมิ หรือการทำความเข้าใจเอกสารที่มีข้อมูลหนาแน่น
  • การควบคุมต่อส่วน (Gemini 3): ใช้การควบคุมนี้เพื่อเพิ่มประสิทธิภาพการใช้โทเค็น ตัวอย่างเช่น ในพรอมต์ที่มีหลายรูปภาพ ให้ใช้ HIGH สำหรับไดอะแกรมที่ซับซ้อน และ LOW หรือ MEDIUM สำหรับรูปภาพตามบริบทที่เรียบง่ายกว่า

การตั้งค่าที่แนะนำ

รายการต่อไปนี้แสดงการตั้งค่าความละเอียดของสื่อที่แนะนำสำหรับสื่อแต่ละประเภทที่รองรับ

ประเภทสื่อ การตั้งค่าที่แนะนำ โทเค็นสูงสุด คำแนะนำในการใช้งาน
รูปภาพ MEDIA_RESOLUTION_HIGH 1120 แนะนำสำหรับงานวิเคราะห์รูปภาพส่วนใหญ่เพื่อให้มั่นใจว่ามีคุณภาพสูงสุด
PDF MEDIA_RESOLUTION_MEDIUM 560 เหมาะสำหรับการทำความเข้าใจเอกสาร โดยปกติคุณภาพจะอิ่มตัวที่ medium การเพิ่มเป็น high แทบจะไม่ช่วยปรับปรุงผลลัพธ์ OCR สำหรับเอกสารมาตรฐาน
วิดีโอ (ทั่วไป) MEDIA_RESOLUTION_LOW (หรือ MEDIA_RESOLUTION_MEDIUM) 70 (ต่อเฟรม) หมายเหตุ: สำหรับวิดีโอ ระบบจะถือว่าการตั้งค่า low และ medium เหมือนกัน (70 โทเค็น) เพื่อเพิ่มประสิทธิภาพการใช้งานบริบท ซึ่งเพียงพอสำหรับงานการจดจำและการอธิบายการกระทำส่วนใหญ่
วิดีโอ (มีข้อความจำนวนมาก) MEDIA_RESOLUTION_HIGH 280 (ต่อเฟรม) จำเป็นเฉพาะเมื่อ Use Case เกี่ยวข้องกับการอ่านข้อความหนาแน่น (OCR) หรือรายละเอียดเล็กๆ ภายในเฟรมวิดีโอ

ทดสอบและประเมินผลกระทบของการตั้งค่าความละเอียดต่างๆ ในแอปพลิเคชันที่เฉพาะเจาะจงเสมอ เพื่อหาจุดสมดุลที่ดีที่สุดระหว่างคุณภาพ เวลาในการตอบสนอง และต้นทุน

สรุปความเข้ากันได้ของเวอร์ชัน

  • MediaResolution enum พร้อมใช้งานสำหรับโมเดลทั้งหมดที่รองรับอินพุตสื่อ
  • จำนวนโทเค็นที่เชื่อมโยงกับแต่ละระดับของ Enum จะแตกต่างกันระหว่าง โมเดล Gemini 3 กับ Gemini เวอร์ชันก่อนหน้า
  • การตั้งค่า media_resolution ในออบเจ็กต์ Part แต่ละรายการใช้ได้เฉพาะกับ โมเดล Gemini 3

ขั้นตอนถัดไป