Gemini APIの使い方｜料金・無料枠・モデル選定とOpenAI APIとの違い

Gemini APIとは｜Google AI StudioとVertex AIの違い

Gemini APIは、GoogleのフラッグシップLLM「Gemini」を、開発者がプログラムから呼び出すためのインターフェースです。チャットUI（Gemini）でユーザーが対話するのに対し、APIはアプリケーションや業務システムに組み込む用途を想定しています。

提供経路は大きく2つに分かれます。個人開発や軽量プロダクトであればGoogle AI Studio経由、本番運用やエンタープライズ要件があればVertex AI経由を選ぶ構図が一般的です。

Google AI StudioとVertex AIの主な違い

ポリシー・規約は更新されることがあるため、商用利用前にGoogle AI Studioの規約とVertex AIの利用条件を必ず確認してください。Vertex AI側のデータ取り扱いはVertex AIのデータガバナンスにまとまっています。「学習利用」「ログ保持」「運用目的の利用」は別の話なので、保持や運用ログの扱いは最新の公式文書で個別に確認してください。

機密データや顧客データを扱う本番システムでは、認証・監査・リージョン管理の要件からVertex AIを候補にするのが一般的です。

Gemini（チャットUI）とGemini APIの主な違い

業務システム・SaaS・社内ツールにGeminiを組み込むなら、APIを使うのが前提です。

モデルラインナップの読み方（2026年9月時点）

Geminiのモデル名は「世代番号＋レイヤ名」で構成されます。世代（3.8／3.5／2.5など）が新しさ、レイヤ名（Pro／Flash／Flash-Lite）が性能とコストの位置づけを表します。この2軸で読むと、名前が増えても迷いにくくなります。

• Pro：最上位。複雑な推論・長文整合・コーディングで強み。プロンプト長で単価が段階的に上がる料金設計です

• Flash：主力レイヤ。速度とコストのバランスがよく、本番ワークロードの中心になります

• Flash-Lite：最安・最速レイヤ。分類・抽出・フィルタなど軽量タスク向けです

2026年9月時点の公式一覧では、安定版としてgemini-3.8-flash・gemini-3.7-flash・gemini-3.6-flash・gemini-3.5-flash・gemini-3.5-flash-lite・gemini-3.1-flash-lite・gemini-2.5-flash・gemini-2.5-flash-lite・gemini-2.5-proが提供されています。Pro系の最新はgemini-3.1-pro-previewでプレビュー扱いです。ほかに音声認識（gemini-3.5-transcribe）、画像生成（gemini-3.1-flash-image ほか）、埋め込み（gemini-embedding-001）などの専用モデルも並びます。

正式なモデル名と提供状況はGemini APIモデルページで必ず確認してください。新世代の登場サイクルが早いため、コード上はモデル名を環境変数や設定で管理し、切り替えを容易にしておくと運用が楽になります。なお、オンデバイス推論向けのGemini NanoはAPI経由では提供されていません。

APIで何ができるか

主な機能を整理すると以下のとおりです。

• テキスト生成API：基本となるチャット形式の生成（system／user／modelロール）

• ストリーミング応答：トークンを逐次返却し、UI側で先頭から表示できる

• コンテキストキャッシュ：固定の長文プロンプトをキャッシュし、再利用時の入力単価を下げる

• Function Calling：JSONスキーマで宣言した関数をモデルが呼び出し判断する

• コード実行（Code Execution）：モデル側で生成・実行したPythonコードの結果を応答に含める仕組み

• マルチモーダル入力：画像・PDF・動画・音声を直接渡せる（モデル・サイズ制限あり）

• 埋め込み（Embeddings）：テキストのベクトル化API。RAGのインデックス構築に使う

• バッチAPI：非リアルタイム処理向けの低コストモード

• Google検索によるグラウンディング：検索結果を根拠として応答に反映する

詳細はGemini API公式ドキュメントを参照してください。

ミニFAQ：Gemini APIはローカルで動かせる？

いいえ、Gemini APIはGoogleのクラウド経由でモデルを呼び出す形式です。完全ローカルで生成AIを動かしたい場合は、Ollamaなどのローカル推論基盤と、Llama系・Gemma系などのオープンモデルを組み合わせる選択肢があります（GoogleのGemmaはオープンウェイトで配布されているため、ローカル実行の候補になります）。

料金体系｜モデル別の実額とコスト試算

Gemini APIの料金は入力トークンと出力トークンの従量課金です。以下はGemini API公式料金ページに掲載されている2026年9月時点の標準価格です。料金は数か月単位で改定されるため、実装前に必ず最新値を確認してください。

入力／出力トークンの考え方

• 入力トークン：APIに送るsystemプロンプト・履歴・ユーザー入力・関数定義などすべての合計

• 出力トークン：モデルが返した生成テキストの長さ

• 全モデル共通で、出力単価は入力単価より高く設定されています。倍率はおおむね4〜6倍です

• Pro系は、プロンプトが20万トークンを超えると単価が上がる段階制です。長コンテキストを毎回フルに使う設計だと請求が跳ねます

• 日本語は英語よりトークン数が増えやすい傾向があります。実際のトークン化はGemini APIのトークンガイドを参照してください

モデル別の単価（100万トークンあたり・2026年9月時点）

gemini-3.8-flashの$0.75／$3.75は2026年12月31日までの優遇価格で、2027年1月以降は$1.50／$7.50に切り替わる旨が公式に告知されています。優遇期間中の単価で年間予算を組むと、期間終了時に実費が2倍になる点に注意してください。

コストを下げる仕組みは主に3つです。

• バッチAPI／Flexモード：即時性を落とす代わりに単価が下がります。公式料金表のバッチ単価は標準の半額程度で、夜間の一括処理に向きます

• コンテキストキャッシュ：同じ長文を繰り返し渡す設計で効きます。gemini-3.8-flashの場合、キャッシュ読み出しは100万トークンあたり2026年12月31日まで$0.075、2027年1月1日以降は$0.15（別途ストレージ料金）

• Google検索グラウンディング：Gemini 3.x系で共有の月5,000リクエストまで無料、超過分は1,000リクエストあたり$14

月額コスト試算の考え方

実装前の見積もりでは、最低限以下の3指標を押さえるとブレを抑えられます。

1. 1リクエストあたりの平均入出力トークン（system＋履歴＋ユーザー入力＋出力）

2. 1日あたりのリクエスト数

3. 採用モデルの単価

社内ナレッジ検索（RAG）で「平均入力5,000トークン／出力500トークン、1日1,000リクエスト」を仮定します。月間では入力1.5億トークン・出力1,500万トークンです。この条件を上表の単価に当てはめると、次のようになります。

同じワークロードでもモデル選択だけで8倍の差が出ます。バッチ処理に回せる部分を切り出せば、さらに約半分です。コンテキストキャッシュが使えるかどうかでも実費が大きく変わるため、設計段階でキャッシュ前提か非前提かを切り分けておくと安心です。

無料枠の取り扱いと有料ティアの構造

Google AI Studio経由には個人開発者向けの無料枠（Free tier）があります。ただし公式ドキュメントは具体的なRPM・TPM・RPDの数値を掲載しておらず、実際の上限はGoogle AI Studioのダッシュボードで確認する方式に変わっています。記事や第三者サイトの数値をそのまま前提にせず、自分のプロジェクトの表示値を見てください。

無料枠で最も注意すべきなのはデータの扱いです。Googleの利用規約では、無料（Unpaid）と有料（Paid）で方針が明確に分かれています。

• 無料（Unpaid）：送信内容と生成応答を、Google製品の提供・改善・開発に利用します。人手によるレビュー（読み取り・注釈付け・処理）の対象にもなります。レビュー前に識別情報とは切り離される運用です

• 有料（Paid）：プロンプト（システム指示・キャッシュ内容・画像や動画などのファイルを含む）と応答を製品改善に利用しません。ログは禁止利用ポリシー違反の検知・防止の目的に限り、一定期間だけ保持されます

業務データや顧客データを無料枠で送るのは避け、有償プランまたはVertex AI経由を選ぶのが安全策です。詳細は利用規約を確認してください。

有料ティアは利用実績に応じて自動的に上がる階段構造です。

PoCから本番に移す案件では、このティア上限がボトルネックになることがあります。負荷試験の直前に慌てないよう、想定スパイクとティアの整合は事前に確認しておくとよいでしょう。

ミニFAQ：月額固定プランはある？

Gemini APIは原則として従量課金です。エンタープライズ向けにはGCP上のコミット契約（Vertex AIのコミットメント）も提供されています。個人開発・中小規模のSaaS開発であれば従量課金がベースになります。

モデル選定の判断軸｜3レイヤの使い分け

「とりあえずPro」を避け、ユースケースに合わせて選ぶとコストパフォーマンスが大きく改善します。

ユースケース別の推奨レイヤ

• 複雑な推論・長文整合・コード生成・マルチモーダル本処理 → Pro

• RAGの応答生成、業務文書の要約、レビューコメント生成、汎用チャット → Flash（品質が要求水準に達するか必ず評価）

• 分類、抽出、ラベリング、シンプルなQA、フィルタ → Flash-Lite

実装では、前段の軽い処理はFlash-Lite、本処理はFlash、難所だけProという多段構成が現実的です。最新世代のFlashは品質が引き上げられているため、まずFlashで評価し、要件未達ならProに上げる順序が無駄の少ない流れです。

世代を上げるか、レイヤを上げるか

品質が足りないとき、選択肢は2つあります。同じレイヤで世代を上げるか、同じ世代でレイヤを上げるかです。単価表を見ると、gemini-3.5-flash-lite（$0.30／$2.50）からgemini-3.8-flash（$0.75／$3.75）へレイヤを上げる方が、gemini-3.5-flash（$1.50／$9.00）を選ぶより安く済みます。

モデル名の数字が大きいほど高性能とは限らず、レイヤ名の方が性能とコストの支配的な要因です。ここを取り違えると、コストだけ上がって品質が変わらない結果になりがちです。

長コンテキストの活かし方

Pro系は長大なコンテキストを扱えるため、次のようなユースケースで効きます。

• 数百ページのPDFを一括で読ませて要約・質問応答

• 大量のソースコードを丸ごと文脈として与え、設計レビュー

• 議事録・チャットログを長期間まとめて処理

ただし、長コンテキストを毎回フルに使うとコストが跳ねます。20万トークンを境に単価が上がる料金設計のため、RAGで取得した必要分のみを文脈に乗せる設計と、まるごと渡す設計の使い分けを意識してください。

切り替えやすい設計

• モデル名は環境変数または設定ファイルで管理する

• system promptもモデルごとに最適化できる構造にしておく

• 評価データセット（数十〜数百件）を作っておくと、新モデル登場時に短時間で乗り換えを判断できる

モデル選定でつまずきやすいポイント

• 長文タスクの初手でFlash-Liteを選んで品質が出ない：日本語の長文整合や難度の高い推論はFlash以上が安全です

• 要約タスクにProを使う：オーバースペックのケースが多く、Flashで足りることがほとんどです

• コード生成にFlash-Lite：単純なボイラープレートなら足りますが、設計を含む生成はFlash以上が安定します

API利用の準備｜APIキー取得から最初のリクエストまで

最短で試すなら、Google AI StudioでAPIキー発行→SDK導入→テキスト生成APIで1回送信、の3ステップです。 ここでは各ステップを順に整理します。

アカウント作成とAPIキー発行（Google AI Studio経由）

1. Google AI StudioにGoogleアカウントでサインイン

2. 「Get API key」からAPIキーを発行

3. 本番運用するなら課金設定を有効化（無料枠は製品改善に利用される点を踏まえて判断）

4. キーはGit管理に含めない。環境変数ファイル（.env等）やSecret Manager等で保護する

Vertex AI経由を選ぶ場合は、GCPプロジェクトの作成、Vertex AI APIの有効化、サービスアカウント発行とIAM権限付与が必要です。手順はVertex AI Geminiクイックスタートを参照してください。

SDKのインストール

公式SDKはPython・TypeScript／JavaScript・Go・Javaなど複数言語で用意されています。

• Python：パッケージマネージャで公式のGoogle製SDKを導入する（Google AI Studio向けとVertex AI向けで導入するパッケージが異なる）

• TypeScript／Node.js：同様に公式SDKを導入する

• どちらもメッセージ送信・ストリーミング・Function Calling・マルチモーダル入力に対応している

SDKのパッケージ名は再編が入ることがあるため、導入時は公式ドキュメントの記載を確認してください。SDKを使わずHTTPで叩く構成も可能ですが、リトライやストリーミングのバッファリング処理を自前で書く負担が増えます。

最初のリクエストの流れ

APIに送るのは概ね以下の構造です（実装言語に依存しない概念ベース）。

• model：使用するモデル識別子（例：gemini-3.8-flash）

• contents：roleとpartsを持つオブジェクトの配列。roleはuser／model

• systemInstruction：システムプロンプト（任意）

• generationConfig：temperature・topP・topK・maxOutputTokensなどの生成パラメータ

• safetySettings：安全性フィルタの閾値設定

レスポンスは候補（candidates）配列で返り、その中のテキスト部分を取り出して利用します。最初は1往復のシンプルなQAで動作確認するとよいでしょう。

ミニFAQ：APIキーが漏れたらどうなる？

第三者が利用した分も契約者の請求対象になるため、漏れた疑いがある場合は速やかにGoogle AI Studioで該当キーを失効させ、新しいキーを発行してください。GitHub上にキーがpushされた場合、Google側でも自動失効が走るケースがありますが、確認は自分でも行うべきです。本番運用ではVertex AIのIAM管理に寄せるとキー管理が不要になり、運用が安全になります。

主要な実装パターン

ここからは案件で頻出する4つの実装パターンを整理します。

ストリーミング応答

ストリーミングは、応答を逐次受け取る仕組みです。チャットUIで体感速度を上げる用途や、長文生成の途中経過を表示したい場合に有効です。

適している場面：

• ユーザー対面のチャットUI（特に長文応答）

• リアルタイム要約・翻訳のフロントエンド

• 進捗を可視化したい長尺タスク

注意点：

• バックエンドからフロントエンドまでServer-Sent Events（SSE）またはWebSocketの導線が必要

• 途中でエラーが返ることがあるため、リカバリ処理を入れる

• 全文をログ保存する場合、ストリームを全部結合してから保存する

コンテキストキャッシュ

コンテキストキャッシュは、systemプロンプトや固定の長文ブロック（仕様書・ガイドライン・社内ナレッジ等）をGoogle側でキャッシュし、再利用時の入力単価を下げる仕組みです。

仕組みと効果：

• キャッシュ対象のコンテンツをアップロードし、生成リクエストでキャッシュIDを参照する

• キャッシュ書き込みは通常入力より高い単価、ヒット時の読み出しは大幅に安い（gemini-3.8-flashで100万トークンあたり$0.075、2027年1月1日以降は$0.15）

• TTL（有効期限）があり、長時間使われないとキャッシュは消える。保持中はストレージ料金がかかる

適用すべきケース：

• 大きなドキュメントを共通文脈として使うRAGの最終回答層

• 長いガイドラインを毎回流すコードレビューAI

• ユーザーごとに長いプロファイル文脈を持つアシスタント

逆に、文脈が毎回異なる単発QAや、軽量タスクでは効果が薄いか、オーバーヘッドの方が大きくなるケースもあります。詳細はContext cachingガイドを参照してください。

Function Calling

Function Callingは、モデルが必要に応じて関数を呼び出す仕組みです。開発者がJSONスキーマで関数を宣言し、モデルが必要と判断したら関数呼び出し情報を返してきます。実際の関数実行はアプリ側で行い、結果をモデルに戻す形です。

外部APIとの組み合わせ：

• 社内DBクエリ、SaaS API呼び出し、計算処理など、モデル単体ではできない処理を委譲できる

• 関数の宣言は明確に。引数名・説明・必須／任意を厳密に書くと精度が上がる

• 副作用のある関数（メール送信・支払い等）は、必ずアプリ側で確認フローを挟む

想定ユースケース：

• 社内ナレッジBotから社内検索APIを呼び出すケース

• 旅行・予約アプリで在庫検索→候補提示→予約というフローのオーケストレーション

• 開発支援エージェントがGitHub Actionsに近い動きでCI状況を取得し回答に反映する設計

複数の関数を組み合わせるエージェント設計は、設計の自由度が上がる一方、デバッグが難しくなるため、最初は関数1〜2個から始めるのが現実的です。

コード実行（Code Execution）

Gemini APIは、モデルが生成したPythonコードをサンドボックス上で実行し、結果を応答に含める機能を提供しています。

向く用途：

• 表データの集計・統計計算

• 簡易グラフの生成

• 数値計算が絡む推論（自然言語推論が苦手な領域の補完）

実行環境はサンドボックスで制限されているため、外部ネットワーク呼び出しやファイル永続化は基本的にできません。重い処理や本番ロジックは、Function Callingで自前のサービスに委譲する設計の方が安全です。

ミニFAQ：RAGとコンテキストキャッシュの使い分けは？

RAGは「外部ドキュメントを検索してから渡す」アーキテクチャ、コンテキストキャッシュは「同じ文脈を再利用するときのコスト最適化」です。実装では両立可能で、RAGで取得した上位ドキュメントを共通文脈としてキャッシュに乗せる設計もあります。Geminiは長コンテキストを扱えるため、ドキュメント数が中規模程度ならRAGなしで全文をキャッシュに乗せる選択肢も成立します。

マルチモーダル｜画像・PDF・動画・音声入力

Geminiは画像・PDF・動画・音声を直接APIに渡せるマルチモーダル対応が評価されやすい領域です。

• 画像：図表・スクリーンショット・写真の読み取り、レイアウト解析、UIレビュー

• PDF：契約書・仕様書・論文などをテキスト抽出なしで直接読み込ませる（テキストとレイアウトの両方を理解）

• 動画：会議録画・チュートリアル動画・監視映像などをフレームと音声込みで解析（長尺は分割や前処理が必要）

• 音声：通話録音・議事録音声の文字起こしと内容理解

音声認識には専用モデル（gemini-3.5-transcribe）も用意されており、公式料金は1分あたり$0.009前後の水準です。汎用モデルに音声を丸ごと渡すより、文字起こしだけなら専用モデルの方が安く収まることがあります。

サイズ・枚数・尺の制限があるため、大きな資料は分割するかRAGに切り替えてください。動画・音声を含む長尺入力は、Geminiを候補に入れる理由になりやすいポイントです。 入力データの取り扱いはGemini APIのデータ利用方針に基づきます。商用利用時は機密データの送信可否を必ず確認してください。

OpenAI APIとClaude APIとの違い

実案件で「結局どれを選ぶか」を決めるための比較軸です。

主要3社の機能・特性の整理（2026年9月時点）

※各社とも機能の提供形態（標準API／別API／クラウド経由／ベータ機能）が異なり、提供状況も頻繁に更新されます。導入前に必ず各社公式の最新仕様を確認してください。

実際の選定は、公式仕様と自社の評価データセットでのベンチマークで確認するのが原則です。各社とも数か月単位でモデル・価格・機能を更新しているため、直近のリリースノートも併せてチェックしてください。

選定時の判断軸

• 品質を最優先：複数モデルを評価データセットで比較。日本語タスクは社内データで必ず検証

• 既存スタックとの相性：Google Cloud／Google Workspace中心ならGemini、Microsoft 365エコシステムならOpenAI、Anthropic製ツール統合ならClaude

• 長コンテキスト・動画／音声理解：Geminiが扱いやすい

• コスト：コンテキストキャッシュ・バッチAPI込みでの実費を見る

• データ取り扱いポリシー：商用利用時のデータ保持・学習利用の有無。エンタープライズ要件があればVertex AI／Azure OpenAI／Bedrockのクラウド経由が選ばれやすい

Claude API・OpenAI APIとの詳細な比較や、Anthropic製モデルの位置づけはClaude APIの使い方とClaude AIとはに整理しています。

フリーランスエンジニア視点｜Gemini API案件の実情

ここからはフリーランス案件として狙う場合の論点を整理します。

公開案件で見られる仕事内容

ここでいう公開案件は、主要フリーランスエージェントが公開している生成AI・LLM関連の業務委託募集を確認した範囲の傾向です。非公開案件は含みません。次のような領域でGemini採用例が見られます。

• 社内ドキュメント検索（RAG）の構築・改善

• 議事録・通話録音の自動要約パイプライン

• Google Cloud上のデータ分析・BigQuery連携の自然言語クエリ

• 顧客対応のドラフト生成・要約

• マルチモーダル理解（画像レビュー、PDF構造化、動画解析）

• AIエージェント開発（自律的なタスク実行）

「Gemini API限定」と銘打った募集は少なく、生成AI／LLM案件の中でモデルとしてGeminiが選ばれるパターンが主流です。 GCPベースの顧客や、Google Workspaceとの統合要件がある案件では、Geminiが有力候補に入りやすい印象があります。

必要なスキルセット

• Python／TypeScriptでのAPI実装スキル

• ベクトル検索（RAG）の基礎理解

• プロンプトエンジニアリング

• 評価データセットの設計、A/Bテストの運用

• GCPまわりの基礎（IAM・Vertex AI・Cloud Run・BigQuery等）

• セキュリティ・データ取り扱い設計

「APIを叩ける」だけでは差別化が難しく、評価設計・コスト設計・運用設計まで踏み込めると単価が上がりやすい領域です。Vertex AI経由の本番運用経験は、エンタープライズ案件で評価されやすい武器になります。

単価水準｜フリコン掲載案件のデータ

以下はフリコンに掲載中の案件を職種・スキルタグ別に集計した2026年9月時点の参考値です。募集時のレンジ上限を集計した掲載単価であり、成約単価ではありません。また職種集計とタグ横断集計は母集団が異なるため、両者を内訳の関係として読まないでください。

AIエンジニア職種179件の帯別分布を見ると、90万円以上の帯に113件（約63%）が集まります。ボリュームゾーンは90万円以上〜100万円未満の帯（45件）で、80万円未満は32件にとどまります。生成AI関連は、掲載ベースで見る限り高めの帯に寄っている構図です。

ただしこの差をスキルの優劣として読むのは適切ではありません。案件のレイヤー（PoCか本番運用か）や職種構成が集計ごとに異なるためです。実際、単価の分かれ目になりやすいのはモデルやライブラリの数ではなく、担当範囲がどこまで及ぶかです。PoC実装のみか、評価設計・コスト設計・運用設計まで含むか、Vertex AI／GCPのアーキテクチャ設計まで担うかで、提示レンジは動きます。

自分がどのくらいの単価を狙えるか気になる方は、無料のフリーランスエンジニア単価診断で現在の市場単価の目安を確認できます。単価を体系的に上げる考え方は「フリーランスエンジニアの単価相場と単価の上げ方」で整理しています。実際の募集条件はAIエンジニアのフリーランス案件一覧で確認できます。より広い相場観はAIエンジニアの年収・単価相場も参考になります。

ミニFAQ：未経験から始められる？

API呼び出し自体は数行で書けるため、入口は低いです。ただし案件参画ベースではWeb開発経験＋Pythonの実務経験があるエンジニアが前提になることが多く、その上でRAGやエージェント設計、GCPの基礎を積み上げる流れが現実的です。生成AIエンジニアになるルートやフリーランスAIエンジニアになるにはも併せて確認してください。

実装時のよくある失敗と対策

長コンテキストの料金跳ね上がり

Pro系はプロンプトが20万トークンを超えると入力単価が上がります。RAGの取得件数を増やしすぎたり、会話履歴を無制限に積んだりすると、想定の数倍の請求になりがちです。履歴の要約圧縮と、取得件数の上限設定を最初から入れておくと安全です。

安全性フィルタによる応答ブロック

safetySettingsの閾値によっては、業務上問題のない入力でも応答がブロックされることがあります。医療・法務・金融など、センシティブな語彙を含む領域では検証時に必ず確認してください。ブロック時のフォールバック応答を用意しておくと、UI側で不自然な空白が出ません。

トークン消費の見積もりミス

日本語は英語よりトークン数が増えやすく、体感の文字数から単純換算すると過小見積もりになります。本番想定のプロンプトで実測し、その値を見積もりの基準にしてください。

レート制限への対処

ティアごとに上限があるため、スパイク時に429エラーが出ます。指数バックオフによるリトライと、キューイングによる平滑化を実装しておくのが基本です。バッチAPIに回せる処理は分離しておくと、リアルタイム枠を圧迫しません。

ハルシネーション対策の不足

生成結果をそのまま表示する設計は、業務システムでは事故につながります。RAGで根拠文書を添える、Google検索グラウンディングを使う、出力に確信度や参照元を併記するなど、検証可能性を残す設計が必要です。

セキュリティ・データ取り扱いの抜け

無料枠のデータが製品改善に使われる点を見落とすと、顧客データの取り扱いで問題になります。契約前にどの経路（AI Studio無料／AI Studio有料／Vertex AI）を使うかを合意し、必要ならデータ処理に関する条項を確認してください。

まとめ

Gemini APIを選ぶ判断軸は、①機密データを扱うならVertex AI、②軽量処理はFlash-Lite、③主力はFlash、④難所だけPro、の4点です。無料枠で試したうえで、この順に切り分けるのが基本の進め方になります。同じワークロードでもモデル選択だけで月額が8倍前後変わるため、コスト設計はモデル選定と一体で考えてください。

要点を整理します。

• 個人開発・PoCはGoogle AI Studio、本番・エンタープライズはVertex AI

• 単価は100万トークンあたり入力$0.10〜$4.00・出力$0.40〜$18.00（2026年9月時点）

• 無料枠のデータは製品改善に利用される。業務データは有料枠かVertex AIへ

• バッチ／Flexモードは掲載単価が標準の半額程度。コンテキストキャッシュで入力側をさらに圧縮できる

• 案件では生成AI／LLM案件の一部としてGeminiが選ばれる構図。単価を左右するのは担当範囲

料金・モデル名は数か月単位で変わります。実装前にはGemini API公式料金ページとGemini APIモデルページで最新値を確認してください。