Gemini 2.5 Pro/Flashにおけるマルチモーダルトークン(画像のトークン数、動画のトークン数など）計算ガイド
こんにちは！
本日は、Gemini 2.5 ProおよびGemini 2.5 Flashを使用する際、料金計算やコンテキストウィンドウの管理において、トークン数の正確な把握は非常に重要です。本記事では、画像、動画、音声といったマルチモーダルコンテンツのトークン計算方法について詳しく解説します。
基本概念：トークンとは
Gemini 2.5シリーズにおいて、1トークンは約4文字に相当し、100トークンは約60-80語（英語）に相当します。すべての入力と出力はトークン単位で処理され、課金もトークン数に基づいて行われます。
Gemini 2.5シリーズのモデルと料金
利用可能なモデル
- Gemini 2.5 Pro: 高度な推論能力を持つフラグシップモデル
- Gemini 2.5 Flash: コスト効率に優れた高速モデル
- Gemini 2.5 Flash Image: 画像生成専用モデル
コンテキストウィンドウ
両モデルとも1,000,000トークンの大規模なコンテキストウィンドウを提供します。
料金体系（プレビュー段階）
| モデル | 入力料金 | 出力料金 |
|---|---|---|
| Gemini 2.5 Pro | $4/100万トークン | $20/100万トークン |
| Gemini 2.5 Flash | $0.30/100万トークン | $2.50/100万トークン |
| Gemini 2.5 Flash Image | - | 1画像あたり1290トークン（約$0.039） |
画像のトークン計算
動的タイリングシステム
Gemini 2.5シリーズでは、画像サイズに応じた動的なタイリングシステムを採用しています。
小さい画像（384ピクセル以下）
- 両方の寸法が384ピクセル以下の画像：258トークン固定
大きい画像（384ピクセル超）
- 768×768ピクセルのタイルに分割
- 各タイル：258トークン
- 総トークン数 = タイル数 × 258
実装例
from google import genai
client = genai.Client()
prompt = "この画像について説明してください"
# 画像ファイルをアップロード
image_file = client.files.upload(file="sample_image.jpg")
# トークン数をカウント
token_count = client.models.count_tokens(
model="gemini-2.5-flash",
contents=[prompt, image_file]
)
print(f"総トークン数: {token_count}")
# 例: 小さい画像の場合 → total_tokens: 263（テキスト5 + 画像258）
タイル数の計算方法
def calculate_image_tokens(width, height):
if width <= 384 and height <= 384:
return 258
else:
tiles_width = (width + 767) // 768
tiles_height = (height + 767) // 768
return tiles_width * tiles_height * 258
重要なポイント
- File APIでアップロードした画像とインラインデータとして提供した画像で、トークン数は同じ
- 画像の解像度に応じてトークン数が変動するため、事前の確認が重要
動画のトークン計算
固定レート方式
動画は時間ベースの固定レートでトークン化されます。
レート：1秒あたり263トークン
計算例
import time
from google import genai
client = genai.Client()
prompt = "この動画の内容を要約してください"
# 動画ファイルをアップロード
video_file = client.files.upload(file="sample_video.mp4")
# 動画処理の完了を待つ
while video_file.state.name != "ACTIVE":
print("動画を処理中...")
time.sleep(5)
video_file = client.files.get(name=video_file.name)
# トークン数をカウント
token_count = client.models.count_tokens(
model="gemini-2.5-flash",
contents=[prompt, video_file]
)
print(f"総トークン数: {token_count}")
動画長とトークン数の関係
| 動画の長さ | トークン数 |
|---|---|
| 1秒 | 263 |
| 10秒 | 2,630 |
| 1分 | 15,780 |
| 5分 | 78,900 |
音声のトークン計算
固定レート方式
音声も時間ベースの固定レートでトークン化されます。
レート：1秒あたり32トークン
音声長とトークン数の関係
| 音声の長さ | トークン数 |
|---|---|
| 1秒 | 32 |
| 10秒 | 320 |
| 1分 | 1,920 |
| 5分 | 9,600 |
実践的な使用例：使用メタデータの活用
generate_contentを呼び出した後、usage_metadataから詳細なトークン情報を取得できます。
response = client.models.generate_content(
model="gemini-2.5-flash",
contents=[prompt, media_file]
)
# 詳細なトークン情報を取得
metadata = response.usage_metadata
print(f"入力トークン: {metadata.prompt_token_count}")
print(f"出力トークン: {metadata.candidates_token_count}")
print(f"総トークン数: {metadata.total_token_count}")
# キャッシュトークンの取得（利用可能な場合）
if hasattr(metadata, 'cached_content_token_count'):
print(f"キャッシュトークン: {metadata.cached_content_token_count}")
# 思考トークンの取得（思考モデルを使用している場合のみ）
if hasattr(metadata, 'thoughts_token_count'):
print(f"思考トークン: {metadata.thoughts_token_count}")
コスト最適化のベストプラクティス
1. 事前のトークン数確認
# generate_contentを呼ぶ前にトークン数を確認
estimated_tokens = client.models.count_tokens(
model="gemini-2.5-flash",
contents=contents
)
if estimated_tokens > threshold:
# コンテンツを調整または警告を表示
pass
2. 画像の最適化
- 不必要に大きい画像は避ける（タイル数が増えるため）
- 384ピクセル以下の画像は258トークン固定なので、小さいサムネイルで十分な場合は活用
3. 動画・音声の長さ管理
- 動画：必要な部分のみを切り出して使用
- 音声：動画より効率的（同じ1秒で32トークン vs 263トークン）
4. コンテキストキャッシング
Gemini 2.5シリーズでは、コンテキストキャッシングを活用することでトークン使用量を削減できます。キャッシュされたトークンは通常の半額で課金されます。
5. モデルの使い分け
- 複雑なタスク：Gemini 2.5 Pro
- 高速処理が必要な場合：Gemini 2.5 Flash
- コスト重視：Gemini 2.5 Flash（Proの約1/7の入力コスト）
まとめ
Gemini 2.5 Pro/Flashのマルチモーダルトークン計算は以下のルールに従います。
- 画像: 384px以下は258トークン、それ以上はタイル数×258トークン
- 動画: 1秒あたり263トークン
- 音声: 1秒あたり32トークン
- コンテキストウィンドウ: 両モデルとも100万トークン
これらの計算方法を理解することで、APIの使用コストを予測し、コンテキストウィンドウを効率的に管理できます。特に大規模なマルチモーダルアプリケーションを開発する際は、事前のトークン数確認とコンテンツの最適化が重要です。
参考リンク
より詳細な情報については、Gemini API公式ドキュメントをご参照ください。
関連情報
・OpenAI GPTシリーズの画像トークン消費量計算
【OpenAI API】Vision対応LLMの画像トークン消費量計算法 2025年最新版
こんにちは！ OpenAIのVision対応(つまり画像も入力できるLLM）モデルは、画像をトークンに変換する際に2つの異なる計算方式を採用しています。 最新のGPT-5系列やGPT-4.1系列では、従来のタイル方式とは異なるパッチベース方式が導入されました。この変更により、画像処理の効率性が大幅に向上し、より細かな制御が可能になっています。 2つの計算方式の違い OpenAIは現在、パッチベース方式とタイルベース方式という2つの計算方法を並行して運用しています。 パッチベース方式は、GPT-4.1-mini、GPT-4.1-nano、GPT-5-mini、GPT-5-nano、o4-miniといった新世代モデルで採用されています。この方式では画像を32×32ピクセルという非常に小さなパッチに分割します。従来のタイル方式が512×512ピクセルだったことを考えると、約256分の1のサイズで処理することになり、より精密な画像理解が可能になりました。 一方、GPT-4o、GPT-4.1、GPT-5、o1、o3などの主力モデルは引き続きタイルベース方式を採用しています。こちらは
Qualiteg プロダクト開発部
・Anthropic Claudeシリーズの画像トークン消費量計算
Claude 4.5 APIにおける画像入力のトークン数計算と最適化ガイド
こんにちは！ 今回は、Claude 4.5 sonnet/haiku、Claude 4.1 OpusをAPIからつかうときの画像のトークン数計算方法について詳しく解説します。 画像トークン数の計算方法 Claude 4.5 APIに送信する画像は、テキストと同様にトークンとしてカウントされ、料金計算の基礎となります。画像がAPIのサイズ制限内でリサイズ不要な場合、以下の簡単な計算式でトークン数を推定できます。 基本計算式
トークン数 = (横幅px × 縦幅px) ÷ 750 この計算式を使用することで、アップロード前にコストを予測し、必要に応じて画像を最適化することが可能になります。例えば、1000×1000ピクセルの画像は約1334トークンを消費し、Claude 4.5の料金体系では、画像1枚あたりのコストを事前に計算できます。1092×1092ピクセル（1.19メガピクセル）の画像であれば約1590トークンとなり、これを基準にバッチ処理のコストも見積もることが可能です。 画像サイズの制限と最適化 Claude 4.5 APIには画像サイズに関するいくつかの重要な
Qualiteg プロダクト開発部
