Nano Bananaは精緻なプロンプトエンジニアリングで高精度なAI画像生成が可能

(minimaxir.com)

10 ポイント投稿者 GN⁺ 2025-11-14 | まだコメントはありません。 | WhatsAppで共有

Nano Banana は Google の Gemini 2.5 Flash Image モデルで、テキストプロンプトを細かく解釈し、複雑な画像構成を正確に実装する 自己回帰型画像生成モデル
強力なテキストエンコーダ により、具体的なルール、カラーコード、JSON・HTMLベースの入力まで忠実に反映し、プロンプト遵守性能 が非常に高い
ChatGPT の gpt-image-1 より安価で、API を通じて開発者が直接画像生成アプリを構築でき、Python パッケージ gemimg で手軽に利用可能
複雑な編集・合成・コード・Webページレンダリング など多様な実験で高い精度と一貫性を示した一方、スタイル変換とテキストレンダリング には限界がある
AI画像生成の精密制御の可能性 を示しており、今後の プロンプトベースのビジュアルエンジニアリング の新たな基準として注目されている

AI画像生成モデルの変化とNano Bananaの登場

最近のAI画像生成分野では FLUX.1-dev、Seedream、Ideogram、Qwen-Image、Imagen 4 など多様なモデルが登場したが、2025年3月には ChatGPT の無料画像生成機能 が大衆の認識を主導した
ChatGPT の画像は 黄色がかったトーンと一定の線画・タイポグラフィ により容易に識別できる
ChatGPT の基盤モデル gpt-image-1 は 自己回帰型構造 で、トークン単位で画像を生成し、高品質な画像1枚あたり約30秒を要する
2025年8月、LMArena に「** nano-banana**」というコードネームのモデルが登場し、その後 Google がこれを Gemini 2.5 Flash Image として公開した
- 1,290トークンで画像を生成し、Gemini アプリの人気上昇 により「Nano Banana」という名称が公式の別名として定着した

Nano Banana は Gemini のWeb/モバイルアプリ の「Create Image 🍌」機能や Google AI Studio で無料で画像生成できる
- AI Studio では アスペクト比設定など詳細パラメータの調整 をサポート
- 生成された画像には 右下のウォーターマーク が表示される
開発者は Gemini API の gemini-2.5-flash-image エンドポイント を通じてプログラムから画像生成できる
- 1MP画像あたり約 $0.04 で、ChatGPT の $0.17 より安い
API 利用の複雑さを減らすために作られた Python パッケージ gemimg では、簡単なプロンプトで画像生成できる
```
from gemimg import GemImg
g = GemImg(api_key="AI...")
g.generate("A kitten with prominent purple-and-green fur.")
```

「頭蓋骨型のパンケーキにブルーベリーとメープルシロップを載せた画像」というプロンプトを正確に実装
- シロップの流れ、パンケーキの質感、ブルーベリーの位置など細部まで忠実
続いて同じ画像に 5つの同時編集命令（イチゴ・ブラックベリー追加、ミントの飾り、皿の交換、背景人物の追加）を実行
- すべての修正が正確に反映され、不要な部分の変更は最小限だった

Nano Banana は LoRA 学習なしでも特定人物の一貫性維持 が可能
「Ugly Sonic がバラク・オバマと握手する画像」というプロンプトで、実際に両者が一緒に登場
- その後「Pulitzer-prize-winning New York Times cover photo」という文言を追加すると、構図・色味・照明の品質が向上
- 「テキストを除外」という命令で不要な要素を削除できる
17枚の Ugly Sonic 画像を同時に入力すると、より正確な外見の再現 を達成

Nano Banana は Gemini 2.5 Flash のマルチモーダルエンコーダ拡張版 であり、
- Markdown・JSON 学習、オブジェクト認識とセグメンテーションマスク生成 の能力を持つ
- CLIP（77トークン） や T5（512トークン） よりはるかに長い 32,768トークンのコンテキストウィンドウ をサポート
複雑なルールベースのプロンプト（例: 3匹の猫の色・衣装・照明・構図条件）を完璧に満たした
- ChatGPT は同じプロンプトで色や構図の誤りが発生

「冷蔵庫マグネットで構成された Python の Fibonacci コード画像」というプロンプトでは
- Nano Banana はコード構造を部分的に再現し、構文強調の色も一部反映した
- ChatGPT も類似の試みをしたが、品質差は明確だった
「前のテキストをマグネットで表示せよ」という実験では、Nano Banana の システムプロンプトの一部が露出
- 内部ルールの中に「buzzword の使用禁止」条項があることを確認
- 大文字（MUST）を使うと プロンプト遵守率が向上 することも確認された

Nano Banana は HTML/CSS/JS コード全体をレンダリング してWebページ画像を生成
- レイアウト・色は正確だが、一部にテキストや比率の誤りがある
JSON ベースの人物描写 を入力すると、Paladin/Pirate/Barista の混成キャラクターを可視化
- 衣装・小道具・ポーズなど大半が JSON フィールドと一致
- 「実写撮影条件」を追加すると フォトリアリズムが向上 し、反射光や奥行き感も表現された

「Make me into Studio Ghibli」というプロンプトでは スタイル変換に失敗 し、
- 自己回帰特性のため スタイル変化への抵抗性 がある
著作権上の制限がほとんどなく、複数のIPキャラクターを1つの場面に同時生成できる
- 例: マリオ、ミッキーマウス、ピカチュウ、オプティマスプライムなどが1つのクラブに登場
NSFW コンテンツ生成の可能性 があり、検閲は緩い
テキストレンダリングの不完全さ、スタイル変換の弱さ など技術的制約は依然として残る