Gemini モデルは、ネイティブ ビジョンを使用してドキュメント全体のコンテキストを理解し、PDF 形式のドキュメントを処理できます。これは単なるテキスト抽出にとどまらず、Gemini は次のことができます。
- テキスト、画像、図、グラフ、表などのコンテンツを分析して解釈します。最大 1,000 ページの長いドキュメントでも可能です。
- 情報を構造化された出力形式で抽出します。
- ドキュメント内の視覚要素とテキスト要素の両方に基づいて、質問に要約して回答します。
- レイアウトと書式設定を保持したまま、ドキュメント コンテンツを（HTML などに）書き起こし、ダウンストリーム アプリケーションで使用します。
PDF 以外のドキュメントも同じように渡すことができますが、Gemini はそれらを通常のテキストとして認識するため、グラフや書式設定などのコンテキストは失われます。
PDF データをインラインで渡す
リクエストで PDF データをインラインで渡すことができます。これは、後続のリクエストでファイルを参照する必要がない、小規模なドキュメントや一時的な処理に最適です。複数ターンのインタラクションで参照する必要がある大きなドキュメントの場合は、 Files API を使用して リクエストのレイテンシを改善し、帯域幅の使用量を削減することをおすすめします。
次の例は、PDF データをインラインで渡す方法を示しています。
Python
from google import genai
import base64
client = genai.Client()
with open('path/to/document.pdf', 'rb') as f:
pdf_bytes = f.read()
interaction = client.interactions.create(
model="gemini-3.6-flash",
input=[
{
"type": "document",
"data": base64.b64encode(pdf_bytes).decode('utf-8'