◉GEMINI LABEN
●ROBOTICS — 8月31日に停止した ER 1.6 preview には後継があります。Gemini Robotics ER 2 が公開プレビュー中で、通常版とストリーミング版の2種類が提供されています●VIDEO — ER 2 の成功・失敗判定は静止画ではなく生の映像フィード上で動きます。こぼれ・滑り・位置ずれのような、実行の途中で起きる失敗を捉えられる設計です●DEADLINE — 次の期限は9月30日、gemini-omni-flash-preview の廃止です。移行先は8月27日に GA になった gemini-omni-1.1-flash で、残り4週間を切りました●APIKEY — 残りの標準 API キーは、制限付きのものも含めて9月中に全面停止します。移行先は Google Cloud サービスアカウントに紐付く auth キー形式です●PRICE — Gemini 3.7 Flash の導入価格 $0.75/$3.75 per 1M は12月31日までです。2027年1月1日から $1.50/$7.50 になるため、年を跨ぐ見積もりは2本立てが要ります●AUDIO — Gemini 3.5 Transcribe は85言語以上の言語検出、話者ダイアライゼーション、単語単位タイムスタンプ、最大1,000語のカスタム語彙バイアスに対応しています●ROBOTICS — 8月31日に停止した ER 1.6 preview には後継があります。Gemini Robotics ER 2 が公開プレビュー中で、通常版とストリーミング版の2種類が提供されています●VIDEO — ER 2 の成功・失敗判定は静止画ではなく生の映像フィード上で動きます。こぼれ・滑り・位置ずれのような、実行の途中で起きる失敗を捉えられる設計です●DEADLINE — 次の期限は9月30日、gemini-omni-flash-preview の廃止です。移行先は8月27日に GA になった gemini-omni-1.1-flash で、残り4週間を切りました●APIKEY — 残りの標準 API キーは、制限付きのものも含めて9月中に全面停止します。移行先は Google Cloud サービスアカウントに紐付く auth キー形式です●PRICE — Gemini 3.7 Flash の導入価格 $0.75/$3.75 per 1M は12月31日までです。2027年1月1日から $1.50/$7.50 になるため、年を跨ぐ見積もりは2本立てが要ります●AUDIO — Gemini 3.5 Transcribe は85言語以上の言語検出、話者ダイアライゼーション、単語単位タイムスタンプ、最大1,000語のカスタム語彙バイアスに対応しています
TAG

audio

5 記事
← タグ一覧に戻る
関連タグ:
gemini-api4multimodal3image2video2python2tutorial2gemini2monetization1stripe1paid-service1diarization1transcription1
⬡ Gemini 応用/2026-05-06上級

Gemini マルチモーダル API で画像・音声・動画を統合処理する有料サービスの実装

Gemini のマルチモーダル機能で画像・音声・動画・PDF を統合処理する有料サービスの作り方を解説します。File API の使い方、ユースケース別の実装パターン、Stripe Metered Billing との連携、利益率を保つ料金設計まで実践コードつきです。

◈ Gemini API/2026-05-01中級

Gemini API で会議音声から話者を識別する — 簡易ダイアリゼーションの実装ガイド

会議録音やポッドキャストの音声から「誰が話したか」を Gemini API のマルチモーダル音声理解で識別する方法です。話者ラベルつき JSON を返す最小構成のコード、結果を底上げする3つのプロンプトの工夫、専用ツールとの使い分けを解説します。

◈ Gemini API/2026-03-30中級

Gemini API × Python で音声ファイルを文字起こし・要約するアプリを作る方法

Gemini API のマルチモーダル機能と Python で、音声ファイルの文字起こしと自動要約を行うアプリを作ります。基本の文字起こしから要約機能の追加、長時間音声の分割処理、複数ファイルの一括処理まで、4つのステップに分けて手を動かしながら進めます。

◈ Gemini API/2026-03-26上級

Gemini API マルチモーダル実践テクニック集 — 画像・動画・音声・PDFを自在に扱う

画像・動画・音声・PDF を単一リクエストで扱う Gemini API のマルチモーダル実装テクニック集です。4モダリティの基礎実装から、ストリーミング対応パイプライン、Function Calling との統合、レート制限対策、パフォーマンスとコストの最適化まで進めます。

⬡ Gemini 応用/2026-03-12中級

Gemini の音声合成を実務で使う — 声の選び方・ペーシング・運用コストの勘所

Gemini の TTS（音声合成）を個人開発のアプリに組み込んだ実務メモ。google-genai SDK での呼び出し、生 PCM を WAV に整える落とし穴、声とペーシングの選び方、コストの見方までを実例とともにまとめます。