Gemini API: o que dá para construir com a IA do Google além do chat

Fala aí, beleza? O Gemini que a maioria conhece é uma caixa de texto no navegador, e o Gemini que o desenvolvedor acessa por API é praticamente outro produto: busca do Google resolvida server-side, execução de código, RAG gerenciado, voz em tempo real e geração de vídeo, tudo atrás de uma chave

Uma chave, um SDK oficial, e o resto é decidir QUAL recurso resolve o teu caso

Quem pesquisa "Gemini" encontra um monte de conteúdo sobre o chatbot, e a pergunta de quem escreve código (o que eu ponho no meu backend com isso?) fica sem resposta. Se o teu caso for chatbot mesmo, já existe o caminho de integrar Gemini em chatbots no n8n

Bora ver na prática?

Entrada multimodal: aplicações que nascem de mandar imagem, áudio e vídeo na mesma requisição

A Gemini API aceita prompt multimodal com texto, imagem, áudio e vídeo na mesma chamada, sem precisar de um modelo separado por modalidade

Parece detalhe, mas muda a arquitetura inteira: documentos (incluindo PDF), visão sobre imagem, compreensão de áudio e análise de vídeo entram pela MESMA porta

Formação Recomendada

Formação Vibe Coding

Do Prompt ao Produto: Crie Software Real com IA

• 474 aulas
• 20 projetos
• 39h 27min

Conhecer formação

Aí você deixa de montar aquele pipeline frankenstein com um serviço de transcrição, outro de OCR e outro de visão, e passa a montar um prompt só

Agora as regras operacionais, que são o que realmente decide o desenho do teu código:

• Arquivo maior que 20 MB, vídeo com mais de cerca de 1 minuto ou reuso do mesmo arquivo em várias requisições: sobe pela File API antes do generateContent
• Abaixo disso: dá pra mandar o vídeo inline na própria requisição
• Quando o prompt precisa apontar pra um momento específico do vídeo, a documentação orienta o formato MM:SS (tipo 01:15)
• A recomendação é um vídeo por requisição

E tem um detalhe que já derruba projeto: arquivo bruto enviado pela File API é apagado depois de 48 horas

Ou seja, a fonte da verdade fica do TEU lado, sempre. A File API é passagem, não storage 🙂

Ferramentas nativas: busca, mapas, URL e execução de código sem orquestrar nada

Esse é o bloco que mais separa API de chat

Google Search, Google Maps, URL Context, File Search e Code Execution executam dentro de uma única chamada de API, nos servidores do Google

Traduzindo pro dia a dia: você não escreve o loop de "o modelo pediu a ferramenta, eu chamo, eu devolvo o resultado, ele responde". Isso resolve lá dentro e volta pronto

Com a ferramenta google_search habilitada, o modelo cuida do fluxo inteiro de buscar, processar e citar a informação, conectando a resposta a conteúdo atual da web com fontes verificáveis

Aplicação óbvia: qualquer coisa que precise de informação fresca e rastreável, tipo monitoramento de mercado, resumo de notícia, assistente de pesquisa

A ferramenta de URL context vai por outro caminho: você passa URLs no pedido e o modelo acessa o conteúdo daquelas páginas pra usar como contexto

Link vira contexto, sem crawler seu no meio

O grounding com Google Maps passou a ser suportado nos modelos Gemini 3, e a ferramenta Computer Use (que deixa o modelo interagir com tela, teclado e mouse de um computador virtual pra executar tarefas) é acessível de forma nativa no Gemini 3 Pro e no Gemini 3 Flash, diferente da série 2.5, que exigia um modelo separado pra isso

File Search: RAG gerenciado sem montar pipeline de embeddings

Quem já fez RAG na mão sabe a novela: escolher chunker, gerar embedding, subir vector store, cuidar da busca, cuidar da atualização

A Gemini API oferece RAG gerenciado pela ferramenta File Search, que importa, divide em chunks e indexa os dados para busca semântica

Se você precisa dos embeddings soltos pra outra coisa, o modelo estável de embedding de texto é o gemini-embedding-001. Tome cuidado com código antigo: o text-embedding-004 foi desligado em 14 de janeiro de 2026

E aqui tem a diferença de retenção que define o desenho:

• File API: o arquivo bruto some em 48 horas
• File Search store: os dados importados ficam guardados até você apagar manualmente

Casos que caem certinho nisso: base de conhecimento interna, suporte respondendo em cima da documentação do próprio produto, busca semântica dentro do teu app

Saída estruturada e function calling: quando a resposta vira dado de sistema

Modelo que devolve texto solto é ótimo pra ler, péssimo pra processar

A saída estruturada resolve isso forçando a resposta a seguir um JSON Schema, e os SDKs do Google GenAI aceitam definir esse schema com Pydantic no Python e Zod no JavaScript

Ou seja, você define o tipo uma vez, na linguagem que já usa, e a resposta chega no formato

"E function calling, é a mesma coisa?" Não, e o próprio Google separa bem:

• Function calling: pro momento em que o modelo precisa de um passo intermediário, conectando às suas ferramentas ou aos seus sistemas de dados
• Saída estruturada: pro momento em que a resposta final precisa obedecer estritamente a um schema

Um é meio de caminho, o outro é o formato da entrega

E nos modelos Gemini 3 dá pra combinar saída estruturada com as ferramentas nativas, incluindo Grounding com Google Search, URL Context, File Search, Code Execution e function calling

Isso é MUITO bom pra extração e classificação com dado fresco: o modelo busca na web, lê a página, e ainda assim te devolve o JSON no schema que o teu banco espera 😀

Voz e tempo real: o que a Live API viabiliza

A Live API processa entrada de texto, áudio e vídeo e devolve saída de texto e áudio, com interação bidirecional de baixa latência

É o que sustenta atendimento por voz, copiloto que escuta a tela, tutor que conversa em vez de digitar

Aviso honesto de maturidade: ela está em Preview

Então dá pra prototipar e mostrar, mas coloque isso no teu cálculo de risco antes de prometer pro cliente

O gemini-3.1-flash-live-preview é o modelo audio-to-audio de baixa latência voltado a diálogo em tempo real e aplicações voice-first

Geração de imagem e vídeo pela mesma API

A geração de imagem fica com a linha Nano Banana, que hoje tem quatro modelos:

• Nano Banana 2 Lite (gemini-3.1-flash-lite-image)
• Nano Banana 2 (gemini-3.1-flash-image)
• Nano Banana Pro (gemini-3-pro-image)
• Nano Banana (gemini-2.5-flash-image)

Já o vídeo é com o Veo 3.1, que gera vídeo com áudio nativo e suporta extensão de vídeo, geração a partir de frames específicos e direção por imagem. Os IDs de preview incluem veo-3.1-generate-preview e veo-3.1-fast-generate-preview

O uso típico disso não é brincar de gerar wallpaper, é criativo em escala DENTRO do teu produto: variação de banner, thumb, vídeo curto de campanha, sem o usuário sair pra outra plataforma

Custo e limites: camada gratuita, camada paga, Batch API e cache

Antes de escolher recurso, decide conta 🙂

Contas novas começam no Free Tier, com acesso a determinados modelos até os limites de taxa da camada gratuita

A linha Flash é justamente onde mora esse acesso gratuito, e ela anda rápido, vale acompanhar as novidades do Flash mais novo do Google pra não ficar preso num ID velho

Duas leituras práticas dessa tabela

A primeira: se o teu processamento não é interativo (classificar 50 mil registros, enriquecer catálogo, rodar análise noturna), a Batch API corta metade do preço só por você aceitar a janela de até 24 horas

A segunda: prompt gigante repetido é dinheiro jogado fora, e o cache de contexto existe exatamente pra esse padrão de contexto grande e pergunta curta

SDK do Google ou camada de compatibilidade com OpenAI?

O Google GenAI SDK é a biblioteca recomendada para acessar a Gemini API, e está disponível para Python, JavaScript/TypeScript, Go e Java

Mas existe também uma camada de compatibilidade com OpenAI: dá pra usar as bibliotecas da OpenAI (Python e TypeScript/JavaScript) trocando poucas linhas e usando a chave da Gemini API, apontando pra este endpoint:

https://generativelanguage.googleapis.com/v1beta/openai/

Sedutor, né? Migração de uma linha, código legado inteiro continua de pé

Só que o veredito aqui é o do próprio Google, e é bem direto: esse caminho é recomendado pra quem está preso ao SDK da OpenAI e não precisa de recursos avançados

Usar a API direta é o que libera File API, cache de contexto e a Live API bidirecional

Traduzindo: compatibilidade é fallback de migração, não é destino. Se o teu roadmap tem vídeo longo, contexto cacheado ou voz em tempo real, vai de SDK oficial desde o começo e evita a refatoração dobrada

Por onde começar

O salto do chat pra Gemini API não é aprender uma sintaxe nova, é escolher QUAL recurso resolve o teu caso

Multimodal na mesma requisição? Ferramenta nativa resolvendo busca e código server-side? File Search pra RAG sem pipeline? Saída estruturada pra resposta virar dado? Live API pra voz? Nano Banana e Veo 3.1 pra geração?

Escolhe UM, o que dói mais no teu produto hoje

Depois o caminho concreto é curto: começa no Free Tier com um modelo que tem camada gratuita (gemini-3-flash-preview ou gemini-3.1-flash-lite), pega o SDK oficial da tua linguagem, e só vincula faturamento quando o limite de taxa apertar ou quando os teus dados precisarem ficar fora do treino de produtos do Google

Protótipo primeiro, cartão depois 😀

até o próximo post!