google-gemini/cookbook

概要

Google の Gemini API を学習するためのハンズオンチュートリアル集（「クックブック」と呼ばれます）です。参考ドキュメントではなく、実践的な例による体系化された学習パスとして構成されています。

内容

プロジェクトは主に2つのセクションに分かれています。

• クイックスタート — 初心者向けおよび特定の API 機能向けのステップバイステップガイド（例：はじめ方、テキスト読み上げ、動画生成、画像生成、音楽生成、ライブオーディオストリーミング、文字起こしなど）。
• 例 — 複数の機能を組み合わせる方法を示す実用的なユースケース。

エンドツーエンドのデモアプリケーション用の別リポジトリもあります。

形式

ほとんどのチュートリアルは Jupyter ノートブックで、それぞれにワンクリックの「Colab」ボタンがあり、ローカルに何もインストールせずに Google の無料クラウドノートブック環境で実行できます。

開始に必要なもの

1. Google アカウント
2. Google AI Studio で作成した API キー

README では、認証ガイド（API キーの設定）と、基本のプロンプトとマルチモーダル入力についての Get Started ガイドから始めることを推奨しています。

カバーされる注目機能

• Gemini 4 Argon — 最大100万出力トークンと調整可能な「思考」レベルをサポートする推論モデル
• Gemini 3.8 Flash — ソフトウェアエンジニアリング、自律エージェント、エンタープライズワークフローを目的とした高速モデル
• Gemini 3.5 Flash-Lite — 3.5 ファミリーで最速かつ最も低コストのモデル
• テキスト読み上げ — 表現豊かな単一および複数スピーカーの音声、カスタム音声デザイン（テキストプロンプトから）と音声複製（オーディオサンプルから）
• ビデオ — 会話型ビデオ生成と編集（オムニフラッシュ）、ビデオ生成（Veo）
• 画像生成 — ナノバナナ 2.1（512ピクセル、思考と検索グラウンディング対応）とナノバナナプロ（4K品質）
• 音楽 — リリア 3.5 によるフル曲生成と画像から音楽への変換、リアルタイム対話型音楽ストリーム
• エージェント API — 制御された環境でカスタムエージェントを作成して実行
• ライブAPI — 低遅延の音声/ビデオストリーミング、オーディオストリームのリアルタイム翻訳、ライブセッションでの拡張思考
• 文字起こし — 単語レベルのタイムスタンプ、話者ダイアライゼーション、カスタム語彙を使用したオーディオファイルとライブストリーム
• グラウンディング — Google 検索結果、Google マップデータ、または独自のファイル（ホスト型RAG）への応答の接続
• コード実行 — モデルが Python コードを生成して実行し、タスクを解決してグラフを出力する
• ウェブフック — バッチジョブやビデオ生成などの非同期操作のリアルタイム通知
• 推論ティア — 速度、コスト、信頼性のバランスをとるための優先ティアとフレックスティア
• ロボティクス — ロボティクスアプリケーションのための空間理解と推論のためのモデル

完全なAPIドキュメントの場所

README は、包括的な API ドキュメントとして ai.google.dev を指し、Gemma モデルの例については別の Gemma クックブックを指しています。