Nano Banana 2（Gemini 3.1 Flash Image）は単なるテキストから画像への変換エンドポイントではありません。これは後続のターンを受け付けるマルチモーダルエディターです。Google は API を正しく使用した場合、プロンプトあたり最大14 枚の入力画像と、ターン間で視覚的文脈を保持する対話型編集を文書化しています。

解像度 tier（プロンプト前に選択）

Tier	典型的な用途	コスト注記
512px	サムネイル、迅速なレイアウト確認	トークン消費が最小
1K	ソーシャル、ブログヒーロー画像	デフォルトのバランス
2K	印刷に近いマーケティング素材	出力トークン増加
4K	製品ヒーロー、細かなタイポグラフィ	最遅；サイズでタイポグラフィを確認

プロジェクトごとに tier を一度選択します。512 の検討から 4K の納品まで、構成を再確認せずに飛び移るとトークンが無駄になります。

同一性崩壊のない 14 枚の参照画像

役割を自然言語で割り当てます:

以下のプロンプト例を参照してください:

Image 1–2: face and hair identity (ignore backgrounds).
Image 3: jacket fabric swatch only.
Image 4: lighting reference from a sunset plate.
Generate subject in a rainy alley, same identity, new wardrobe from Image 3.

参照画像が多いほど制御が効くわけではありません。シーンに必要な被写体を制限してください。多くの場合、添付を最大限にするよりも、3〜5 枚の画像 plus テキスト brief の方が効果的です。

Try Nano Banana in MidassAI

対話型編集ターン（API 思考モデル）

ターン 1: ベースシーンを生成。ターン 2: Change only the sign text to "OPEN". Keep architecture and rain unchanged. ターン 3: Warm color grade +10%. Do not move camera.

各ターンでは1 つの次元（テキスト、衣装、グレード、トリミング）のみを変更すべきです。複数の要求を段落に含めると、モデルは競合を平均化してしまいます。

google-genai を使用する開発者は、Thought Signatures / 視覚的文脈が引き継ぐよう同一の会話セッションを維持すべきです。ターン間でステートレスな呼び出しに落とすと構成がリセットされます。

Web グラウンディング vs 参照画像編集

Google Search グラウンディングは事実に関するプロンプトに答えます（today's weather in Seoul reflected in windows）。参照画像編集は同一性に関するプロンプトに答えます（this exact person, new outfit）。両方を 1 つのターンで混ぜることは有効ですが、どの入力が事実でどれが同一性か明記してください。

時間敏感な事実が重要な場合のみグラウンディングを有効にしてください。そうでなければ、メリットなしにレイテンシが上昇します。

タイポグラフィパス

Nano Banana 2 は依然としてタイプに引用文字列を報酬とします: A neon sign reading "MIDASS" は引用なしの ALL CAPS 迷路より優れています。対話型グレード変更後は、ズームパスでスペルを再確認してください。グロー効果はエクスポートまでエラーを隠します。

失敗モード

問題	修正
ターン 3 で顔が漂移	各ターンで元のポートレート参照で再アンカー
テキスト編集時に背景が交換	`keep background pixels unchanged` を明示的に追加
4K が柔らかい	2K で sharper lens language で再生成し、その後 tier をアップスケール

ミニチェックリスト

納品ターゲットに tier を選択
参照画像をトリミングし役割ラベル付け
対話ターンごとに 1 つの変更
事実が時間敏感な場合のみグラウンディング

vs Nano Banana Pro

複雑な図で最大限のシングルショット忠実度が必要な場合はProを使用してください。tight iteration loops とマルチターン編集には**Flash Image (NB2)**を使用してください。多くの制作セットでは NB2 で生成し、ヒーロー静止画のみを 1 回 Pro パスします。

前提条件とセットアップ

マルチターンセッションを開始する前に、Google Cloud プロジェクトで models.generateContent の権限を持つ Vertex AI API が有効になっていることを確認してください。画像生成エンドポイントをサポートする請求アカウントに紐付いた有効な API キーが必要です。特定の gemini-3.1-flash-image モデル文字列を呼び出していることを確認してください。古い Flash バリエーションには、複雑な ID 保持に必要な 14 枚の画像コンテキストウィンドウがありません。

ローカルテストは、SDK がセッション状態を自動的に管理するため、google-genai SDK バージョン 0.5 以上を使用する Python スクリプトを通じて行うのが最適です。環境変数を安全に保ち、4K 生成は標準的なサムネイルリクエストよりもはるかに多くの容量を消費するため、クォータが高解像度出力トークンを許可していることを確認してください。

拡張プロンプトワークフロー

temperature=0.7 でチャットセッションを初期化し、創造性と参照アセットへの厳格な遵守のバランスを取ります。切り捨てなしに高解像度画像データに対応するため、max_output_tokens を 4096 に設定します。
最初のコンテンツパートとして主要な ID 参照をアップロードし、system_instruction: "Maintain facial geometry from Image 1" とラベル付けします。次に、denim や leather などの素材タイプによって厳密にラベル付けされた二次的なテクスチャ参照を続けます。
ネガティブプロンプト制約で最初の生成を実行します: no background changes, no lighting shifts。モデルが被写体をレンダリングしている間、これにより環境がロックされます。
2 ターン目では、プロンプト説明で color_grade パラメータのみを変更します。make it pop などの曖昧な用語ではなく、increase saturation by 15% などの具体的な値を使用します。
看板や衣装の詳細なテキストの明瞭性を保持するため、圧縮された JPEG ではなく raw PNG 出力をリクエストしてエクスポートを完了します。

よくある間違い

セッションリセット: ターン間でチャットオブジェクトを閉じると、モデルは最初から文脈を再推論する必要があり、ID 漂移の原因になります。修正: 編集ループ全体でチャットセッションオブジェクトをメモリ内に保持します。
コンテキストの過負荷: 最初のプロンプトですべての 14 枚の画像を添付すると、attention 機構が混乱します。修正: 参照を段階的に導入します。その特定の要素の変更が必要な場合にのみ新しいアセットを追加します。
曖昧な変更リクエスト: improve the look と要求すると、無関係な領域にわたって幻覚変化がトリガーされます。修正: バウンディングボックスの説明または modify only the foreground subject などの明示的なレイヤー指示を使用して編集ターゲットを隔離します。

MidassAI で試す

MidassAI Studio のビジュアルインターフェースを使用すれば、コードを書かずにこのマルチターン編集パイプラインを再現できます。プラットフォームはセッション永続化と参照ラベル付けを自動的に処理するため、API 状態管理ではなく反復設計に集中できます。ここでプロジェクトを開始してください: https://www.midassai.com/studio/nano/

Nano Banana 2：最大 14 枚の参照画像で対話型編集を実現