【2026年最新】Gemini API Python入門｜実装例5選と料金計算

結論: Gemini APIは「pip install google-genai」の1行から始まり、Flash Liteなら1Mトークン0.075ドルと最安クラスのコストでAIアプリを作れます。

この記事の要点:

• 要点1: APIキー取得→SDK install→最初のリクエストまで最短15分で完了できる
• 要点2: Flash Lite（$0.075/1Mトークン）〜2.5 Pro（$1.25〜$15/1Mトークン）まで用途別モデルを解説
• 要点3: キャッシュ活用で最大90%削減、Batch APIで50%削減の具体的コスト最適化術を公開

対象読者: PythonをなんとなくわかるビジネスパーソンやAI活用担当者でGemini APIを試したい方
読了後にできること: 今日中にGemini APIの最初のPythonスクリプトを動かして、テキスト生成を体験できる

「APIって難しそうで、ちょっと手が出せない…」

企業のDX推進担当者から、こういう声をよく聞きます。ChatGPTやGeminiをブラウザで使うことはできる。でも「APIを使って自社システムに組み込む」という段階で壁を感じてしまう人が多いんです。

実は、Gemini APIはエンジニアでなくても理解できるほどシンプルに設計されています。PythonのSDKを使えば、インストールから最初のAIレスポンス取得まで15分もかからない。しかも無料枠が充実していて、コストを気にせず試せます。

この記事では、Gemini APIのPython実装を「APIキー取得」から「コスト最適化」まで一気通貫で解説します。コピペ可能なコードをすぐに試せる形で提供するので、今日中に動かせます。

AI導入の全体像については、AI導入戦略 完全ガイドを先にご覧いただくと理解が深まります。

まず試したい「5分即効」コード3選

難しい説明は後でします。まず動かしてみましょう。

即効コード1：インストールと最初のリクエスト

# ターミナルでインストール
pip install google-genai

# Python スクリプト (hello_gemini.py)
import google.genai as genai
import os

# APIキーを環境変数から読み込み
client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

# 最初のリクエスト
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="日本語でこんにちはと言って、あなたの名前を教えてください。"
)

print(response.text)
# 不足している情報があれば、最初に質問してから作業を開始してください。

効果: これだけで動く。APIキーを環境変数に設定してpython hello_gemini.pyを実行するだけでGeminiからの応答が返ってくる。

即効コード2：ストリーミング（リアルタイム表示）

研修先のエンジニア担当者に教えたら「ChatGPTみたいに文字が流れてくる！」と喜んでいました。

import google.genai as genai
import os

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

# ストリーミングで文字を順番に表示
for chunk in client.models.generate_content_stream(
    model="gemini-2.5-flash",
    contents="AIが中小企業の業務改善に役立つ理由を300字で説明してください。"
):
    print(chunk.text, end="", flush=True)
print()  # 改行
# 仮定した点は必ず"仮定"と明記してください。

即効コード3：マルチターン会話（チャット）

import google.genai as genai
import os

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

# チャットセッションを開始（会話履歴を自動管理）
chat = client.chats.create(model="gemini-2.5-flash")

# 1回目のメッセージ
resp1 = chat.send_message("私は飲食店の店主です。AIを活用したい。")
print("Gemini:", resp1.text[:100], "...")

# 2回目（前の会話を覚えている）
resp2 = chat.send_message("具体的に何から始めれば良いですか？")
print("Gemini:", resp2.text[:100], "...")
# 数字と固有名詞は、根拠（出典/計算式）を添えてください。

Step 1: APIキーの取得（3分）

Gemini APIの利用はGoogle AI Studioから始まります。

1. ai.google.devにアクセス → 「Get API key」をクリック
2. Googleアカウントでログイン
3. 「Create API key」→ キーをコピー
4. 環境変数に設定する:

# Mac/Linux (ターミナル)
export GEMINI_API_KEY="your-api-key-here"

# または .env ファイルに記述（python-dotenvを使う場合）
# .env
GEMINI_API_KEY=your-api-key-here

# Pythonから読み込む場合
# pip install python-dotenv
from dotenv import load_dotenv
load_dotenv()
import os
api_key = os.environ.get("GEMINI_API_KEY")
# 不足している情報があれば、最初に質問してから作業を開始してください。

重要: APIキーはGitHubに絶対にアップロードしないこと。.gitignoreに.envを追加してください。

Step 2: モデル選定とコスト計算

2026年3月時点のGemini APIの主要モデルと料金を整理します（料金は変更される場合があります。最新は公式ページで確認してください）。

料金の実感値（2026年3月時点の参考価格）:

• 100字の日本語テキスト ≈ 約50〜100トークン
• 1,000回のリクエスト（各100トークン入力/200トークン出力）= 合計0.3Mトークン程度
• Flash Liteで処理した場合: $0.03〜$0.15程度（料金は変動するため公式で確認）

注意: Gemini 2.0 Flash は2026年6月1日に廃止予定。新規開発には2.5系を使ってください（Google AI公式ドキュメントより）。

Step 3: Python実装例5選

実装例1：メール文章の自動生成

import google.genai as genai
import os

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

def generate_email(purpose: str, recipient: str, tone: str = "丁寧") -> str:
    prompt = f"""
以下の条件でビジネスメールを作成してください。
目的: {purpose}
宛先: {recipient}
トーン: {tone}
文字数: 200〜300字程度

件名から本文まで含めて作成してください。
不足している情報があれば、最初に質問してから作業を開始してください。
"""
    response = client.models.generate_content(
        model="gemini-2.5-flash",
        contents=prompt
    )
    return response.text

# 使用例
email = generate_email(
    purpose="先週の会議のお礼と議事録の送付",
    recipient="株式会社〇〇 田中部長",
    tone="丁寧かつ簡潔"
)
print(email)

実装例2：顧客レビューの感情分析

import google.genai as genai
import json
import os

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

def analyze_review(review_text: str) -> dict:
    prompt = f"""
以下の顧客レビューを分析し、JSON形式で返してください:
{{
  "sentiment": "positive/neutral/negative",
  "score": 1-5の数値,
  "key_issues": ["問題点1", "問題点2"],
  "improvement_suggestions": ["改善提案1", "改善提案2"]
}}

レビュー: {review_text}
数字と固有名詞は、根拠（出典/計算式）を添えてください。
JSONのみ返答してください。
"""
    response = client.models.generate_content(
        model="gemini-2.5-flash",
        contents=prompt
    )
    # JSONパース
    text = response.text.strip()
    if text.startswith("```"):
        text = text.split("```")[1]
        if text.startswith("json"):
            text = text[4:]
    return json.loads(text)

# 使用例
result = analyze_review("対応が遅くて困りました。でも解決してもらえたので良かったです。")
print(result)

実装例3：ドキュメント要約（長文対応）

import google.genai as genai
import os

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

def summarize_document(document: str, summary_length: str = "200字") -> str:
    """長文ドキュメントを指定文字数で要約する"""
    prompt = f"""
以下のドキュメントを{summary_length}で要約してください。
重要なポイントを箇条書き3つ以内でまとめた後、本文要約を書いてください。
仮定した点は必ず"仮定"と明記してください。

ドキュメント:
{document}
"""
    response = client.models.generate_content(
        model="gemini-2.5-flash",  # 100万トークンの長文対応
        contents=prompt
    )
    return response.text

# 使用例（長い会議議事録や報告書を要約）
with open("meeting_minutes.txt", "r") as f:
    document = f.read()

summary = summarize_document(document, "300字")
print(summary)

実装例4：画像の内容説明（マルチモーダル）

import google.genai as genai
import os

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

def describe_image(image_path: str, question: str = "この画像を説明してください") -> str:
    """画像ファイルを読み込んで内容を説明する"""
    with open(image_path, "rb") as f:
        image_data = f.read()

    # ファイル拡張子からMIMEタイプを判定
    ext = image_path.split(".")[-1].lower()
    mime_types = {"jpg": "image/jpeg", "jpeg": "image/jpeg",
                  "png": "image/png", "webp": "image/webp"}
    mime_type = mime_types.get(ext, "image/jpeg")

    response = client.models.generate_content(
        model="gemini-2.5-flash",
        contents=[
            {"text": question},
            {"inline_data": {"mime_type": mime_type, "data": image_data}}
        ]
    )
    return response.text

# 使用例（商品写真の説明文自動生成）
description = describe_image(
    "product.jpg",
    "この商品の特徴を200字でECサイト向けに説明してください。"
)
print(description)
# 不足している情報があれば、最初に質問してから作業を開始してください。

実装例5：バッチ処理（大量データの一括処理）

import google.genai as genai
import os, time

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

def batch_translate(texts: list, target_lang: str = "英語") -> list:
    """複数テキストを一括翻訳（レート制限を考慮した実装）"""
    results = []

    for i, text in enumerate(texts):
        prompt = f"以下の日本語を{target_lang}に翻訳してください:n{text}n翻訳のみ返してください。"

        try:
            response = client.models.generate_content(
                model="gemini-2.5-flash-lite",  # 大量処理はFlash Liteが最適
                contents=prompt
            )
            results.append(response.text.strip())
        except Exception as e:
            print(f"Error at {i}: {e}")
            results.append(None)

        # レート制限対策（60RPM無料枠の場合）
        if i % 50 == 0 and i > 0:
            time.sleep(1)

    return results

# 使用例
texts = ["おはようございます", "今日はいい天気ですね", "ありがとうございました"]
translations = batch_translate(texts, "英語")
for ja, en in zip(texts, translations):
    print(f"{ja} → {en}")
# 数字と固有名詞は、根拠（出典/計算式）を添えてください。

Step 4: コスト最適化の3テクニック

テクニック1：コンテキストキャッシュ（最大90%削減）

同じシステムプロンプトや長い文書を繰り返し送信する場合、キャッシュを使うことでコストを大幅削減できます。キャッシュ読み取りは通常の入力料金の10%です（Google AI公式ドキュメントより）。

import google.genai as genai
import os

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

# 長いシステムプロンプトをキャッシュ
system_instructions = """
あなたは株式会社〇〇のカスタマーサポートAIです。
（ここに長い会社情報・製品情報・FAQを入れる）
...
"""

# キャッシュ作成
cached = client.caches.create(
    model="gemini-2.5-flash",
    config={
        "contents": [{"parts": [{"text": system_instructions}], "role": "user"}],
        "ttl": "3600s",  # 1時間キャッシュ
    }
)

# キャッシュを使ってリクエスト
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="返品ポリシーを教えてください",
    config={"cached_content": cached.name}
)
print(response.text)
# 仮定した点は必ず"仮定"と明記してください。

テクニック2：Batch API（50%削減）

急ぎでない処理（データ分析、レポート生成など）はBatch APIを使うと通常料金の約50%で処理できます。処理完了まで最大24時間かかりますが、コスト重視の用途に最適です。

テクニック3：モデルの使い分け

全てのタスクに高性能モデルを使う必要はありません。

【要注意】Gemini API入門の失敗パターン

失敗1：APIキーをソースコードに直書きする

❌ api_key = “AIzaSy…”（コード内にハードコード）
⭕ os.environ.get(“GEMINI_API_KEY”)（環境変数から読み込む）

なぜ重要か: GitHubにアップロードするとキーが漏洩し、第三者に利用されてしまう。環境変数または.envファイルから読み込む習慣をつけること。

失敗2：エラーハンドリングをしない

❌ response = client.models.generate_content(…)（エラー処理なし）
⭕ try/exceptでAPI例外（レート制限、タイムアウト等）を処理する

なぜ重要か: APIはレート制限・ネットワーク障害・モデルの高負荷で失敗することがある。本番環境では必ずリトライロジックを組む。

失敗3：廃止予定モデルを使い続ける

❌ model=”gemini-2.0-flash”（2026年6月1日廃止予定）
⭕ model=”gemini-2.5-flash”（最新の安定版を使う）

なぜ重要か: Googleは旧モデルを定期的に廃止する。廃止後は当該モデルへのAPIコールが失敗する。本番環境では常に現行サポートのモデルを指定すること。

失敗4：プロンプトを最適化しない

❌ 毎回長いシステムプロンプトを送り続けてコスト増
⭕ キャッシュ機能を使い、繰り返し送るコンテンツはキャッシュ化する

なぜ重要か: 同じ長文プロンプトを毎回送ると料金が倍増する。キャッシュ利用で入力コストを最大90%削減できる（Google AI公式より）。

まとめ：今日から始める3つのアクション

1. 今日やること: Google AI StudioでAPIキーを取得してpip install google-genaiを実行し、即効コード1（hello_gemini.py）を動かしてみる
2. 今週中: 実装例5選から自社の業務に最も近いもの1つを選んでカスタマイズし、実際の業務データで試す
3. 今月中: コスト計算ツールで月次の想定利用コストを試算し、有料プランへの移行可否を判断する

Gemini APIは「エンジニアのもの」ではなくなっています。Pythonをちょっとわかるビジネスパーソンでも、今日から動かせるレベルです。まず「動かす」ことを最優先にしてください。

あわせて読みたい:

• Gemini 3.1 Flash完全ガイド｜GPT-4o超えの最安AIモデル — Geminiモデルの最新比較
• Gemini Deep Think使い方・料金・GPT-o3比較 — 上位モデルの使い分け方
• AI導入戦略 完全ガイド — APIを活用した業務AI化の全体設計

参考・出典

• Gemini Developer API pricing | Google AI for Developers — Google公式（参照日: 2026-03-27）
• GitHub – anthropics/anthropic-sdk-python — Anthropic GitHub（参照日: 2026-03-27）
• Gemini API Pricing 2026 — 2.5 Pro, Flash & Flash-Lite Cost Per Token — TLDL（参照日: 2026-03-27）
• Gemini API Pricing and Quotas: Complete 2026 Guide — AI Free API（参照日: 2026-03-27）

著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。早稲田大学法学部在学中に生成AIの可能性に魅了され、X（@SuguruKun_ai）フォロワー約10万人。100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。

ご質問・ご相談はお問い合わせフォームからお気軽にどうぞ。