Nano Banana 2

API de edición de imágenes Nano Banana 2 en E2X

Nano Banana 2 es el gemini-3.1-flash-image de Google, y su capability de edición es el caballo de batalla de nuestro catálogo de imagen. Lo exponemos como google/nano-banana-2/edit-image, cobramos $0.04 por imagen editada con el valor por defecto de 1K, y un solo request puede llevar hasta catorce imágenes de origen. fal.ai lista el mismo modelo a $0.08.

¿No tiene una imagen de origen sobre la que trabajar? Entonces lo que quiere es Nano Banana 2 text-to-image: mismo modelo, mismo precio, solo prompt.

Conviene decirlo con claridad, porque los catálogos de algunos proveedores lo han enredado: esto no es Nano Banana Pro. Pro es gemini-3-pro-image, en origen más o menos el doble de caro. Si la tabla de otro sitio muestra "Nano Banana 2" con las especificaciones de Pro, mire el ID del modelo Gemini que hay debajo.

Nuestros precios a 26 de agosto de 2026:

Los precios y las condiciones de los productos pueden cambiar con el tiempo; consulte los precios vigentes de cada proveedor antes de tomar una decisión de compra. Los precios de Google Batch o Flex no son directamente equivalentes a un request estándar de API bajo demanda, porque la programación, la disponibilidad y las condiciones de procesamiento son distintas; por eso quedan excluidos de esta comparación. Se trata de una comparación acotada, no de una afirmación de que E2X sea la opción más barata del mundo en cualquier configuración.

La resolución es lo que mueve ese número, en pasos fijos:

Fíjese dónde queda eso: una edición 4K con nosotros cuesta lo que fal.ai cobra por una de 1K. La especificación legible por máquina refleja estos mismos valores.

Lo que compra de verdad la mitad del precio de Pro

Google fija el precio de gemini-3.1-flash-image exactamente en la mitad del de gemini-3-pro-image, y la diferencia de capacidad es mucho menor que la diferencia de precio. La edición hace esa asimetría todavía más favorable: usted está transformando una imagen que ya se ve bien, así que el modelo tiene menos que inventar.

Las partes que importan dentro de un pipeline:

• Catorce imágenes de origen en una sola llamada. Componga un sujeto, un producto y una referencia de fondo sin encadenar tres requests ni vigilar las salidas intermedias. No hay reparto de roles impuesto: usted decide para qué sirve cada adjunto y lo dice en el prompt.
• Salida de hasta 4K. Esta es la distancia decisiva frente al nivel Lite, más barato, que no expone ningún parámetro resolution: 1K es todo lo que devuelve. Si un activo editado tiene que ir a imprenta o a un hero de pantalla retina, Lite queda fuera de la carrera.
• Thinking mode antes de pintar. El modelo razona sobre lo que usted le pidió cambiar. Por eso una edición bien acotada mantiene las regiones intactas en lugar de regenerarlas en silencio.
• Grounding de búsqueda, Image Search incluido. Útil cuando una edición tiene que coincidir con algo real: un edificio concreto detrás de su sujeto, una variante de producto auténtica.

La latencia mediana ronda los 8,4 segundos. El function calling no está soportado, así que un bucle de agente tiene que orquestar este modelo desde fuera.

Request de API: editar con referencias

Dos campos son obligatorios: prompt e image_urls. Mantenga su key del lado del servidor y envíe el job.

curl -X POST https://api.e2x.ai/v1/jobs/submit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/nano-banana-2/edit-image",
    "input": {
      "prompt": "La imagen 1 es la zapatilla, la imagen 2 es la referencia de superficie. Coloca la zapatilla sobre el hormigón mojado de la imagen 2, ajustándola a sus reflejos. No alteres la zapatilla ni su logo.",
      "image_urls": [
        "https://example.com/sneaker.png",
        "https://example.com/concrete.jpg"
      ],
      "aspect_ratio": "1:1",
      "resolution": "2k"
    }
  }'

Al enviarlo recibe un job ID. Haga polling hasta que se estabilice:

const headers = {
  Authorization: `Bearer ${process.env.E2X_API_KEY}`,
  "Content-Type": "application/json",
};

const submitted = await fetch("https://api.e2x.ai/v1/jobs/submit", {
  method: "POST",
  headers,
  body: JSON.stringify({
    model: "google/nano-banana-2/edit-image",
    input: {
      prompt: "Cambia la estación del año al otro lado de la ventana a pleno invierno. Mantén la habitación, los muebles y a la persona exactamente como están.",
      image_urls: ["https://example.com/interior.jpg"],
      aspect_ratio: "3:2",
      resolution: "1k",
    },
  }),
}).then((r) => r.json());

const jobId = submitted.data.jobId;

for (;;) {
  const job = await fetch(`https://api.e2x.ai/v1/jobs/${jobId}`, { headers })
    .then((r) => r.json());
  if (job.data.status === "completed") {
    console.log(job.data.outputs[0].url);
    break;
  }
  if (job.data.status === "failed") {
    throw new Error(job.data.error?.message ?? "Edit failed");
  }
  await new Promise((r) => setTimeout(r, 1500));
}

Los status van pending → processing → completed, o aterrizan en failed / cancelled. Pase un webhookUrl en el body del submit y le llamamos nosotros.

Detalles del schema que conviene fijar: image_urls es un array incluso para un solo origen, nuestro aspect_ratio por defecto es 9:16 en lugar del ratio de la propia imagen de origen, y los valores de resolution van en minúscula. Ese valor por defecto es el que sorprende a la gente: meta una foto apaisada sin fijarlo y le vuelve un recorte vertical.

Cómo elegir entre nuestros modelos de edición de imágenes

Nano Banana 2 es nuestra recomendación por defecto para editar, pero no es la respuesta correcta para cualquier trabajo. Esto es lo demás que operamos:

Si sus ediciones son cambios de fondo y correcciones de color a 1K, pásese a Nano Banana 2 Lite: alrededor de un 40% más barato, empatado en texto y en consistencia de referencias, y a volumen esa diferencia es el margen entero. Dos razones para no hacerlo: Lite se topa en 1K para siempre, y se vuelve menos fiable en cuanto un prompt le pide colocar varios objetos correctamente. Ese segundo fallo es sutil, así que pruebe su propio peor prompt en vez de fiarse de un benchmark.

Suba a Nano Banana Pro cuando el entregable sean palabras legibles dentro del encuadre. Ignore la fila del modelo heredado salvo que esté atrapado en ella: Google ya clasifica gemini-2.5-flash-image como legacy y recomienda Nano Banana 2 Lite en su lugar, más nuevo y más barato a la vez. El resto está en la categoría de edición de imágenes y en el catálogo de modelos más amplio.

Escribir prompts de edición que aguanten

El instinto heredado de la generación es describir la imagen terminada. En una edición eso compite con el origen, y obtiene un re-render a la deriva en lugar del cambio que pidió.

Diga qué cambia y luego diga qué no debe cambiar. Nombrar las regiones protegidas no es opcional: el modelo sostiene una cara, un logo o una etiqueta mucho mejor cuando usted le dice que están fuera de límites.

Indexe sus adjuntos en el prompt. "La imagen 1 es el sujeto, la imagen 2 es solo una referencia de iluminación" es la única señal que el modelo tiene sobre su intención; sin ella, el tercer adjunto se convierte en otro sujeto que incluir.

Las ediciones encadenadas son donde la calidad se escapa sin hacer ruido. Cada pasada vuelve a codificar, y una pequeña deriva de identidad se acumula a lo largo de cuatro o cinco rondas. Comprima la secuencia en un solo request con todas las referencias adjuntas: cuesta los mismos $0.04 de una forma u otra, y el resultado de una sola pasada suele ser más limpio.

Antes de poner nada en producción

Cada salida editada lleva un watermark SynthID. Google lo aplica sin condiciones, y ningún proveedor —nosotros incluidos— expone un flag para desactivarlo. Si un contrato prohíbe activos generados por IA, resuélvalo antes de escribir la integración.

Vigile la calidad de su entrada. Un origen blando y sobrecomprimido limita la salida sea cual sea la resolution que pida; pedir 4K a partir de un JPEG de 600px le compra un upscale caro de los defectos del original.

Vuelva a comprobar el aspect_ratio en cada migración. El nuestro va a vertical por defecto, los proveedores difieren, y un batch reencuadrado en silencio es de esos bugs que se descubren después de publicar.

Preguntas frecuentes

¿Qué es la edición de imágenes con Nano Banana 2?

Es la capability de edición del modelo gemini-3.1-flash-image de Google, expuesta en nuestra API como google/nano-banana-2/edit-image. Usted envía una o varias imágenes de origen más una instrucción, y devuelve una imagen modificada de hasta 4K.

¿Cuánto cuesta una edición en E2X?

Nuestro valor por defecto de 1K son $0.04 por imagen editada; 2K son $0.06 y 4K son $0.08. Esos eran los precios en la comprobación del 26 de agosto de 2026. Los precios cambian, así que confírmelo en la página del modelo en vivo antes de comprometer un presupuesto.

¿Cuántas imágenes de origen admite un request?

Hasta catorce en una sola llamada. No hay reparto de roles impuesto entre ellas: usted le dice al modelo en el prompt qué adjunto es el sujeto, cuál es un fondo y cuál es solo referencia de estilo.

¿Puede Nano Banana 2 producir ediciones en 4K?

Sí: nuestro enum de resolution acepta 1k, 2k y 4k, y una edición 4K cuesta $0.08. Esta es la razón principal para elegirlo por encima de Nano Banana 2 Lite, que no tiene parámetro resolution y solo devuelve 1K.

¿E2X es más barato que fal.ai para este modelo?

Para los precios bajo demanda comparables que comprobamos en esa fecha, sí: $0.04 con nosotros frente a $0.08 en fal.ai, un ahorro del 50% sobre un request 1K equivalente. Los productos de batch, las tarifas promocionales y los planes distintos no forman parte de esa comparación.

¿Las imágenes editadas llevan watermark?

Sí. Cada salida incluye un watermark SynthID, el marcador imperceptible de Google para contenido generado por IA. Ningún proveedor ofrece un parámetro para quitarlo.

¿Por qué mi foto apaisada volvió en vertical?

Porque nuestro aspect_ratio por defecto es 9:16, no el ratio de la imagen de origen. Fije aspect_ratio explícitamente en cada request: es, de lejos, la sorpresa más común cuando alguien porta un pipeline de edición hacia nosotros.

¿La API de edición es síncrona?

No. Usted envía un job y después hace polling a /v1/jobs/{id} o proporciona un webhookUrl para el callback. Los jobs completados exponen el resultado en data.outputs[0].url; la latencia mediana del modelo ronda los 8,4 segundos.