IA

API Gemini Google: Tutorial Completo 2025

📅 7 de fevereiro de 2025 ✍️ Felipe Zanoni

📚 Série: APIs de IA → API OpenAI Python | Como usar ChatGPT | Claude AI

O que é API Gemini Google?

API Gemini Google é a interface de programação que permite integrar o modelo de IA multimodal Gemini (texto, imagem, vídeo, áudio) em aplicações Python, JavaScript, Go e outras linguagens. Lançada em dezembro de 2023, oferece versão gratuita generosa (60 requisições/minuto) e modelos desde Gemini 1.5 Flash (rápido) até Gemini 2.0 Pro (máxima capacidade). Diferente de ChatGPT, processa nativamente imagens e vídeos sem precisar de APIs separadas.

Com contexto de até 2 milhões de tokens (vs 128k do GPT-4), Gemini é ideal para analisar documentos longos, transcrições de vídeos e bases de conhecimento extensas.

Por Que Usar Gemini vs ChatGPT API

Comparação técnica

CritérioGemini 1.5 ProGPT-4oGPT-4o mini
Contexto2M tokens128k128k
Multimodal nativo✅ Texto, imagem, vídeo, áudio✅ Texto, imagem✅ Texto, imagem
Custo (1M tokens)$1.25 entrada / $5 saída$2.50 / $10$0.15 / $0.60
VelocidadeMédiaRápidaMuito rápida
Plano grátis60 req/min❌ Não❌ Não
Idioma PT-BR✅ Excelente✅ Excelente✅ Bom

Quando usar Gemini:

  • Analisar PDFs/documentos longos (100+ páginas)
  • Processar vídeos (transcrição + análise visual)
  • Custo menor em alto volume
  • Prototipagem (plano grátis generoso)

Quando usar ChatGPT:

  • Conversação avançada
  • Geração criativa de texto
  • Ecossistema maduro (plugins, ferramentas)

Tutorial completo ChatGPT: Como usar ChatGPT

Setup Rápido (10 Minutos)

Passo 1: Obter API Key

  1. Acesse aistudio.google.com
  2. Clique “Get API Key”
  3. Crie novo projeto ou use existente
  4. Copie API key gerada

Plano grátis: 60 requisições/minuto, ilimitado/mês

Passo 2: Instalar biblioteca Python

pip install google-generativeai

Passo 3: Primeiro código (Texto)

import google.generativeai as genai

# Configurar API key
genai.configure(api_key="SUA_API_KEY_AQUI")

# Escolher modelo
model = genai.GenerativeModel('gemini-1.5-flash')

# Gerar resposta
response = model.generate_content("Explique computação quântica em 3 frases")
print(response.text)

Output:

Computação quântica usa propriedades da mecânica quântica (superposição e entrelaçamento) para processar informação. Enquanto bits clássicos são 0 ou 1, qubits podem estar em ambos estados simultaneamente. Isso permite resolver problemas exponencialmente mais rápido que computadores tradicionais em tarefas específicas como simulação molecular e criptografia.

Casos de Uso Práticos

1. Análise de Imagem

import PIL.Image

# Carregar imagem
img = PIL.Image.open('produto.jpg')

# Analisar
model = genai.GenerativeModel('gemini-1.5-pro')
response = model.generate_content([
    "Descreva este produto em detalhes para um anúncio de venda online. Inclua cores, materiais e estado de conservação.",
    img
])

print(response.text)

Exemplo real:

Input: Foto de tênis Nike usado
Output: "Tênis Nike Air Max preto com detalhes em vermelho. Material sintético com malha respirável. Sola de borracha com amortecimento visível. Estado de conservação 8/10: pequenos sinais de uso na sola, mas upper impecável. Tamanho aparente 42-43."

Casos de uso:

  • E-commerce: Gerar descrições automáticas de produtos
  • Moderação: Detectar conteúdo impróprio
  • Acessibilidade: Descrições de imagens para deficientes visuais

2. Transcrição + Análise de Vídeo

# Upload vídeo
video_file = genai.upload_file(path="reuniao.mp4")

# Aguardar processamento
import time
while video_file.state.name == "PROCESSING":
    time.sleep(2)
    video_file = genai.get_file(video_file.name)

# Analisar
model = genai.GenerativeModel('gemini-1.5-pro')
response = model.generate_content([
    "Resuma os principais pontos desta reunião e extraia lista de tarefas mencionadas:",
    video_file
])

print(response.text)

Output exemplo:

Principais pontos:
1. Decisão de lançar produto em Q2 2025
2. Orçamento aprovado: R$ 50k
3. Responsável: João (marketing)

Tarefas:
- [ ] João: Criar landing page (prazo: 15/mar)
- [ ] Maria: Pesquisa de mercado (prazo: 01/mar)
- [ ] Pedro: Protótipo físico (prazo: 20/mar)

3. Chatbot com Histórico

# Iniciar chat
model = genai.GenerativeModel('gemini-1.5-flash')
chat = model.start_chat(history=[])

# Conversa
response1 = chat.send_message("Olá, me chamo Felipe")
print(response1.text)
# "Olá Felipe! Como posso ajudar?"

response2 = chat.send_message("Qual meu nome?")
print(response2.text)
# "Seu nome é Felipe!"

# Ver histórico completo
print(chat.history)

Integração com app:

# Salvar histórico em banco (Supabase, PostgreSQL)
import json

def salvar_historico(user_id, chat_history):
    with open(f'historico_{user_id}.json', 'w') as f:
        json.dump(chat_history, f)

def carregar_historico(user_id):
    with open(f'historico_{user_id}.json') as f:
        return json.load(f)

# Retomar conversa
historico_anterior = carregar_historico(user_id="123")
chat = model.start_chat(history=historico_anterior)

Veja integração com WhatsApp: Chatbot WhatsApp

4. Análise de PDF Longo

# Upload PDF
pdf_file = genai.upload_file('contrato_50_paginas.pdf')

# Analisar
response = model.generate_content([
    "Resuma este contrato em 5 tópicos principais. Identifique cláusulas de rescisão e multas.",
    pdf_file
])

print(response.text)

Vantagem: Gemini suporta até 2M tokens (equivalente a ~1.500 páginas). ChatGPT suporta apenas 128k tokens (~100 páginas).

Caso Real: Startup Analisa 10k Currículos com Gemini

Empresa: Startup RH tech (triagem de currículos para clientes)

Problema:

  • 10.000 currículos/mês para analisar
  • Tempo humano: 5 min/currículo = 833 horas/mês
  • Custo: R$ 25.000/mês (3 analistas)

Solução:

import google.generativeai as genai
import PyPDF2

genai.configure(api_key=API_KEY)
model = genai.GenerativeModel('gemini-1.5-flash')

def analisar_curriculo(pdf_path, vaga_requisitos):
    # Upload PDF
    cv = genai.upload_file(pdf_path)

    # Prompt estruturado
    prompt = f'''
    Analise este currículo para vaga de {vaga_requisitos["titulo"]}.

    Requisitos obrigatórios:
    {vaga_requisitos["obrigatorios"]}

    Requisitos desejáveis:
    {vaga_requisitos["desejaveis"]}

    Retorne JSON:
    {{
        "score": 0-100,
        "atende_obrigatorios": true/false,
        "pontos_fortes": [],
        "pontos_fracos": [],
        "recomendacao": "Aprovar/Reprovar/Entrevistar"
    }}
    '''

    response = model.generate_content([prompt, cv])
    return response.text

# Uso
vaga = {
    "titulo": "Desenvolvedor Python Sênior",
    "obrigatorios": "5+ anos Python, Django, PostgreSQL",
    "desejaveis": "Docker, AWS, React"
}

resultado = analisar_curriculo("curriculo_001.pdf", vaga)
print(resultado)

Resultados (6 meses):

  • ✅ Currículos analisados: 60.000 (vs 10.000 manual)
  • ✅ Tempo análise: 5 min → 30 segundos (90% redução)
  • ✅ Custo: R$ 25k/mês → R$ 1.200/mês (API Gemini)
  • ✅ Precisão: 87% (vs 92% humano)
  • ✅ Economia: R$ 23.800/mês
  • ✅ ROI: 1.983%

Aprendizado: IA não substitui completamente humanos (precisão 87% vs 92%), mas acelera triagem inicial. Analistas focam apenas nos top 20% candidatos pré-selecionados.

Modelos Disponíveis

ModeloVelocidadeCapacidadeContextoCusto (1M tokens)Uso ideal
Gemini 2.0 FlashMuito rápidaAlta1M$0.10 / $0.40Chatbots, apps tempo real
Gemini 1.5 FlashRápidaMédia-Alta1M$0.075 / $0.30Uso geral
Gemini 1.5 ProMédiaMáxima2M$1.25 / $5.00Análise complexa, raciocínio
Gemini 1.0 ProMédiaBásica32k$0.50 / $1.50Legacy (descontinuado)

Recomendação:

  • Prototipagem: Gemini 2.0 Flash (rápido e barato)
  • Produção alto volume: Gemini 1.5 Flash
  • Tarefas complexas: Gemini 1.5 Pro

Limitações e Como Contornar

1. Rate Limits (Plano grátis)

Limites:

  • 60 requisições/minuto
  • 1.500 requisições/dia
  • 1M tokens/minuto

Solução:

import time
from tenacity import retry, wait_exponential

@retry(wait=wait_exponential(min=1, max=60))
def gerar_com_retry(prompt):
    try:
        response = model.generate_content(prompt)
        return response.text
    except Exception as e:
        if "429" in str(e):  # Rate limit
            print("Rate limit atingido, aguardando...")
            time.sleep(60)
            raise
        else:
            raise

2. Alucinações (inventar fatos)

Problema: Gemini pode inventar dados, especialmente em tópicos obscuros.

Solução:

# Pedir fontes
prompt = "Explique fusão nuclear. Cite fontes confiáveis para cada afirmação."

# Ou adicionar verificação
prompt2 = "Se não tiver certeza sobre alguma informação, diga 'Não tenho dados confiáveis sobre isso'."

3. Custo em escala

Cenário: 1 milhão de requisições/mês com Gemini 1.5 Pro

Cálculo:

  • Entrada média: 1k tokens
  • Saída média: 500 tokens
  • Custo entrada: 1M × $1.25 = $1.250
  • Custo saída: 0.5M × $5 = $2.500
  • Total: $3.750/mês (~R$ 18.750)

Solução: Usar Gemini 2.0 Flash (10x mais barato):

  • Total: $375/mês (~R$ 1.875)

Integração com Frameworks

1. LangChain

from langchain_google_genai import ChatGoogleGenerativeAI

llm = ChatGoogleGenerativeAI(model="gemini-1.5-pro", google_api_key=API_KEY)

response = llm.invoke("Olá, como você funciona?")
print(response.content)

2. Flask (API REST)

from flask import Flask, request, jsonify
import google.generativeai as genai

app = Flask(__name__)
genai.configure(api_key=API_KEY)
model = genai.GenerativeModel('gemini-1.5-flash')

@app.route('/api/gerar', methods=['POST'])
def gerar():
    prompt = request.json['prompt']
    response = model.generate_content(prompt)
    return jsonify({"resposta": response.text})

if __name__ == '__main__':
    app.run(port=5000)

Veja tutorial completo: API REST Flask

Documentação Oficial

Próximos passos

  1. API OpenAI Python - Comparação com ChatGPT
  2. Como usar ChatGPT - Interface web vs API
  3. Chatbot WhatsApp - Integração prática
  4. Automação Python - Scripts com IA
  5. IA para Conteúdo - Casos de uso criativos

Sobre o autor: Felipe Zanoni é especialista em integração de APIs de IA, com 200+ projetos usando Google Gemini e OpenAI para empresas brasileiras. Fundador da Agência Café Online.