> ## Documentation Index
> Fetch the complete documentation index at: https://docs.dgrid.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# Reconocimiento multimedia de Gemini
> Gemini-native generateContent interface for text chat, multimodal media recognition (images, audio, video), speech synthesis, and image generation with structured parts. Use `generationConfig` to request specific response modalities such as speech (`speechConfig`) or images (`imageConfig`).
Esta página usa la misma operación `generateContent` que [Generar contenido (Gemini)](/es/api-reference/chat/generate-content), con el playground de arriba rellenado previamente para chat de texto plano. Las notas a continuación describen los campos multimodales nativos de Gemini que puede agregar a `contents[].parts` para analizar imágenes, audio, video o medios mixtos en una sola solicitud.
Cada part puede incluir datos inline (bytes codificados en base64 más un tipo MIME) junto con instrucciones de texto, lo que permite que el modelo razone entre modalidades en una sola llamada.
### Campos de solicitud nativos de Gemini
Los campos genéricos `contents` y `generationConfig` que se muestran en el playground aceptan la siguiente forma anidada para reconocimiento multimodal:
| Campo | Tipo | Obligatorio | Descripción |
| ---------------------------------------- | ------ | ----------- | ---------------------------------------------------------------------------------- |
| `contents[].role` | string | No | Rol del turno, por ejemplo `user`. |
| `contents[].parts` | array | Sí | Lista ordenada de parts de contenido (texto y/o medios inline). |
| `contents[].parts[].text` | string | No | Instrucción de texto o pregunta para el modelo. |
| `contents[].parts[].inlineData` | object | No | Carga multimedia inline para comprensión de imagen, audio o video. |
| `contents[].parts[].inlineData.mimeType` | string | No | Tipo MIME de los datos inline, por ejemplo `image/jpeg`, `audio/mp3`, `video/mp4`. |
| `contents[].parts[].inlineData.data` | string | No | Bytes multimedia codificados en base64. |
Puede mezclar varias parts en un solo turno; por ejemplo, una part `text` con una instrucción seguida de una o más parts `inlineData` que contengan el medio a analizar.
### Ejemplo: analizar una imagen
```json theme={null}
{
"contents": [
{
"role": "user",
"parts": [
{ "text": "Describe what is happening in this image." },
{
"inlineData": {
"mimeType": "image/jpeg",
"data": ""
}
}
]
}
]
}
```
### Campos de respuesta
La respuesta sigue la forma estándar de `generateContent`. Los campos más relevantes para el reconocimiento multimedia son:
Respuestas candidatas devueltas por el modelo.
Objeto de contenido generado.
Rol devuelto en el bloque de contenido generado, normalmente `model`.
Parts de contenido devueltas, normalmente texto que describe el medio analizado.
Cadena de motivo de finalización, por ejemplo `STOP`.
Resultados de evaluación de seguridad.
Metadatos de contabilidad de tokens, incluido `promptTokenCount`, `candidatesTokenCount` y `totalTokenCount`. Los medios inline (imágenes, audio, video) consumen tokens del prompt además de cualquier part de texto.
### Ejemplo de respuesta
```json 200 theme={null}
{
"candidates": [
{
"content": {
"role": "model",
"parts": [
{ "text": "The image shows a golden retriever sitting on a grassy lawn." }
]
},
"finishReason": "STOP",
"safetyRatings": []
}
],
"usageMetadata": {
"promptTokenCount": 264,
"candidatesTokenCount": 18,
"totalTokenCount": 282
}
}
```
## OpenAPI
````yaml api-reference/openapi.json POST /v1/models/{model}:generateContent
openapi: 3.1.0
info:
title: DGrid AI Gateway API
description: >-
A single, unified API to access 200+ leading AI models. OpenAI-, Claude-,
and Gemini-compatible endpoints for chat, completions, embeddings, images,
audio, and moderations.
version: 1.0.0
contact:
name: DGrid AI
url: https://dgrid.ai
servers:
- url: https://api.dgrid.ai
description: DGrid AI Gateway
security:
- bearerAuth: []
paths:
/v1/models/{model}:generateContent:
post:
tags:
- Chat
summary: Generate content (Gemini)
description: >-
Gemini-native generateContent interface for text chat, multimodal media
recognition (images, audio, video), speech synthesis, and image
generation with structured parts. Use `generationConfig` to request
specific response modalities such as speech (`speechConfig`) or images
(`imageConfig`).
operationId: generateContent
parameters:
- name: model
in: path
required: true
schema:
type: string
description: Target model ID, such as `gemini-1.5-pro`.
requestBody:
required: true
content:
application/json:
schema:
type: object
properties:
contents:
type: array
description: Input content array with role and parts.
items:
type: object
properties:
role:
type: string
description: Content role.
parts:
type: array
description: Content parts (text, inline data, media).
items:
type: object
generationConfig:
type: object
description: Generation configuration.
properties:
responseModalities:
type: array
items:
type: string
description: >-
Requested response modalities, such as `TEXT`, `AUDIO`,
or `IMAGE`.
speechConfig:
type: object
description: Speech configuration for audio output.
properties:
voiceConfig:
type: object
properties:
prebuiltVoiceConfig:
type: object
properties:
voiceName:
type: string
description: Voice preset name.
imageConfig:
type: object
description: Image configuration for image output.
properties:
aspectRatio:
type: string
description: Aspect ratio.
imageSize:
type: string
description: Image size.
example:
contents:
- role: user
parts:
- text: Hello from DGrid.
responses:
'200':
description: Generated content candidates.
content:
application/json:
schema:
type: object
properties:
candidates:
type: array
description: Candidate responses returned by the model.
items:
type: object
properties:
content:
type: object
description: Generated content object.
properties:
role:
type: string
description: Role in the generated content block.
parts:
type: array
description: Returned content parts.
items:
type: object
finishReason:
type: string
description: Finish reason string.
safetyRatings:
type: array
description: Safety evaluation results.
items:
type: object
usageMetadata:
type: object
description: Token accounting metadata.
properties:
promptTokenCount:
type: integer
candidatesTokenCount:
type: integer
totalTokenCount:
type: integer
'400':
$ref: '#/components/responses/BadRequest'
components:
responses:
BadRequest:
description: Invalid request.
content:
application/json:
schema:
$ref: '#/components/schemas/Error'
schemas:
Error:
type: object
properties:
error:
type: object
properties:
message:
type: string
type:
type: string
param:
type: string
code:
type: string
securitySchemes:
bearerAuth:
type: http
scheme: bearer
description: >-
Your DGrid API key. All endpoints use `Authorization: Bearer
`.
````