Gemini 2.5 Flash Image (nano-banana) の概要

以下の記事が面白かったので、簡単にまとめました。

1. はじめに

本日、最先端の画像生成・編集モデルである「Gemini 2.5 Flash Image」(別名 nano-banana) をリリースしました。このアップデートにより、複数の画像を1枚の画像にブレンドしたり、キャラクターの一貫性を維持して豊かなストーリーテリングを実現したり、自然言語を用いたターゲットを絞った変換を行ったり、「Gemini」の世界知識を用いて画像の生成・編集を行ったりすることが可能になります。

今年初めに「Gemini 2.0 Flash」でネイティブ画像生成を初めてリリースした際には、その低レイテンシ、コスト効率、使いやすさに満足いただけました。一方で、より高品質な画像とより強力なクリエイティブコントロールを求めるフィードバックもいただきました。

このモデルは、開発者向けの「Gemini API」「Google AI Studio」「Vertex AI」を通じて利用できます。「Gemini 2.5 Flash Image」の価格は、100万出力トークンあたり30ドルで、1画像は1290出力トークン (1 枚あたり0.039ドル) です。その他の入出力モダリティは、「Gemini 2.5 Flash」の価格に準じます。

2. Gemini 2.5 Flash Image の活用例

「Gemini 2.5 Flash Image」を使った開発をさらに容易にするため、「Google AI Studio」の「build mode」に大幅なアップデートを行いました。以下の例では、カスタムAI搭載アプリでモデルの機能を素早くテストできるだけでなく、たった1つのプロンプトでアプリをリミックスしたり、アイデアを実現したりすることも可能です。作成したアプリを共有する準備ができたら、「Google AI Studio」から直接デプロイしたり、コードをGitHubに保存したりできます。

「ユーザーが画像をアップロードしてさまざまなフィルターを適用できる画像編集アプリを作成してください」といったプロンプトを試したり、プリセットテンプレートから1つを選んでリミックスしたり、すべて無料で利用できます。

2-1. キャラクターの一貫性を維持

画像生成における根本的な課題は、複数のプロンプトや編集において、キャラクターやオブジェクトの外観を維持することです。これにより、同じキャラクターを異なる環境に配置したり、単一の製品を新しい設定で複数の角度から紹介したり、一貫性のあるブランドアセットを生成したりといったことが可能になります。しかも、被写体の一貫性は維持されます。

「Google AI Studio」で、モデルのキャラクターの一貫性機能を示すテンプレートアプリを作成しました（簡単にカスタマイズでき、コードを追加できます）。

このモデルは、キャラクターの一貫性に加え、ビジュアルテンプレートへの準拠にも優れています。開発者が不動産物件のリスティングカード、従業員の制服バッジ、カタログ全体のダイナミックな製品モックアップなど、すべてを単一のデザインテンプレートから作成する例が既に見られます。

2-2. プロンプトベースの画像編集

「Gemini 2.5 Flash Image」は、自然言語によるターゲット変換と正確なローカル編集を可能にします。例えば、画像の背景をぼかしたり、Tシャツの汚れを消したり、写真から人物全体を削除したり、被写体のポーズを変えたり、白黒写真に色を付けたり、その他簡単なプロンプトで思いつく限りのあらゆる操作を実行できます。

「Google AI Studio」で、プロンプトベースの画像編集を示すテンプレートアプリを作成しました。

2-3. ネイティブの世界知識

これまで、画像生成モデルは美的画像の生成には優れていましたが、現実世界の深いセマンティック (何を意味しているかを捉えること) な理解が欠けていました。「Gemini 2.5 Flash Image」では、モデルは「Gemini」の世界知識を活用し、新たなユースケースを実現します。

「Google AI Studio」で、ネイティブの世界知識を示すテンプレートアプリを作成しました。このアプリは、手書きの図を読み取って理解し、現実世界の質問に答え、複雑な編集指示をワンステップで実行するモデルの能力を示しています。

2-4. 複数画像の融合

「Gemini 2.5 Flash Image」は、複数の入力画像を理解し、合成することができます。シーンにオブジェクトを配置したり、カラースキームやテクスチャで部屋のスタイルを変更したり、プロンプト一つで複数の画像を合成したりできます。

「Google AI Studio」で、複数画像の融合機能を示すテンプレートアプリを作成しました。このアプリでは、商品を新しいシーンにドラッグするだけで、フォトリアリスティックな合成画像を素早く作成できます。

3. 開発をはじめる

「Gemini 2.5 Flash Image」を使った開発をはじめるには、開発者向けドキュメントを参照してください。このモデルは現在、「Gemini API」と「Google AI Studio」経由でプレビュー版として提供されていますが、今後数週間で安定版となる予定です。ここで紹介したデモアプリはすべて「Google AI Studio」でバイブコーディングされているため、プロンプトを入力するだけでリミックスやカスタマイズが可能です。

「OpenRouter.ai」は、300 万人以上の世界中の開発者に「Gemini 2.5 Flash Image」を本日提供開始しました。これは、現在 OpenRouter 上で稼働している480種類以上のモデルの中で、画像生成機能を備えた最初のモデルです。

また、「fal.ai」も提携し、「Gemini 2.5 Flash Image」をより幅広い開発者コミュニティに提供します。

「Gemini 2.5 Flash Image」で作成または編集されたすべての画像には、目に見えない SynthIDデジタル透かしが含まれるため、AIによって生成または編集された画像であることが識別できます。

from google import genai
from PIL import Image
from io import BytesIO

client = genai.Client()

prompt = "Create a picture of my cat eating a nano-banana in a fancy restaurant under the gemini constellation"

image = Image.open('/path/to/image.png')

response = client.models.generate_content(
    model="gemini-2.5-flash-image-preview",
    contents=[prompt, image],
)

for part in response.candidates[0].content.parts:
  if part.text is not None:
    print(part.text)
  elif part.inline_data is not None:
    image = Image.open(BytesIO(part.inline_data.data))   
    image.save("generated_image.png")