Omni Flash で短尺動画から SNS 告知メタデータを1パス抽出する
公開プレビューの Gemini Omni Flash に短尺動画を1回渡すだけで、告知文・チャプター・見せ場タイムスタンプを構造化 JSON で受け取る実装をまとめます。フレーム抽出を挟む多コール構成との違い、fps と media_resolution の効かせどころ、1本あたりのコスト試算まで、個人開発の告知作業を回す視点で扱います。
Nano Banana 2 に動画を渡してサムネイルを1枚生成する — gemini-3.1-flash-image の動画→画像を実装したメモ
GA になった gemini-3.1-flash-image（Nano Banana 2）に動画ファイルを文脈として渡し、サムネイルを1枚生成する実装手順です。フレーム抽出との違い、preview からの移行差分、1枚あたりのコストと所要時間の実測までまとめました。
ユーザー投稿のメディアを Gemini に渡す前段を固める — 安全弁としての検証パイプライン実装メモ
ユーザーがアップロードした画像や動画をそのまま Gemini に流すと、MIME 偽装・EXIF 漏洩・展開爆弾・動画の処理待ちといった落とし穴に次々はまります。先頭バイト判定から Files API の状態ポーリング、後始末までを動くコードで段階的に組み立てます。
Gemini APIで「Unsupported MIME type」エラーが出るときの原因と対処
画像や音声をGemini APIに渡したときに発生する『Unsupported MIME type』エラーを、MIMEタイプの綴り間違い・octet-stream問題・非対応フォーマットの3つの観点から切り分けて、確実に動くコードで解決します。
Gemini Vision で壁紙アプリの自動カテゴリ分類を実装した話
個人開発の壁紙アプリで Gemini Vision API を使い、画像の自動カテゴリ分類を実装した実体験です。精度改善のプロセスと、公式ドキュメントには載っていない落とし穴、GPT-4o Vision とのコスト比較までまとめました。
Gemini Vision で壁紙アプリのカテゴリ自動分類を試した — 精度と落とし穴の実記録
壁紙アプリの画像カテゴリ自動分類を Gemini Vision で実装した記録。精度67%から87%への改善手順と、confidence 閾値で人間レビューを全体の15%に絞り込む運用設計を紹介します。
Gemini API に画像を送る前に Pillow で縮小しておくべき理由
Gemini API のマルチモーダル入力で iPhone の写真をそのまま投げているとレイテンシも料金も静かに膨らみます。Pillow で前処理するだけで結果が変わった実例と、私が普段使っている縮小関数をまとめました。
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（画像・音声・動画・PDF）を組み合わせた有料サービスの実装ガイド。Stripe課金フロー、モデル使い分け、エラーハンドリングまで実践コードで解説します。
Gemini API に画像を渡しても「画像が見えません」と返るときの診断と対処
Gemini API に画像を入力したのに『画像は添付されていません』と返ってくる現象の原因を、mime_type・サイズ・SDK差・モデル選択の4視点で切り分け、コピペで動く修正コードまで一気通貫で解説します。
Gemini 2.5 Pro の空間理解（バウンディングボックス・セグメンテーション）を本番アプリで使いこなす
Gemini 2.5 Pro の空間理解出力を本番のモバイル/Webアプリに組み込むための実装ガイド。座標正規化・マスクのデコード・ハルシネーション検出・YOLOへの自動フォールバックまで、動作するコードと共に解説します。
Gemini API で動画から多言語字幕（SRT/VTT）を生成する実装パターン
Gemini API のマルチモーダル動画入力を使い、SRT/VTT 形式の多言語字幕を生成する実装パターンをまとめました。タイムスタンプ精度と翻訳品質を両立させるプロンプト設計を解説します。
Gemini 2.5 Pro でつくるAIドキュメントアシスタント — PDF・画像・テキストを一括解析してMarkdownレポートを自動生成する
Gemini 2.5 Pro の File API とマルチモーダル機能を活用し、PDF・画像・テキストを一括解析してMarkdownレポートを自動生成するPythonスクリプトを実装します。実務で使えるコード付きで解説します。