Nano Banana 2

API d'édition d'images Nano Banana 2 sur E2X

Nano Banana 2, c'est le gemini-3.1-flash-image de Google, et sa capability d'édition est le cheval de trait de notre catalogue image. Nous l'exposons sous google/nano-banana-2/edit-image, nous facturons $0.04 par image éditée à la valeur par défaut 1K, et une seule requête peut porter jusqu'à quatorze images sources. fal.ai affiche le même modèle à $0.08.

Aucune image source à traiter ? Alors c'est Nano Banana 2 text-to-image qu'il vous faut — même modèle, même prix, prompt seul.

Ça mérite d'être dit clairement, parce que les catalogues de providers ont brouillé les cartes : ce n'est pas Nano Banana Pro. Pro, c'est gemini-3-pro-image, environ le double du prix à la source. Si le tableau d'un autre site affiche « Nano Banana 2 » avec les specs de Pro, regardez l'ID de modèle Gemini en dessous.

Nos tarifs au 26 août 2026 :

Les prix et les conditions produit peuvent changer. Vérifiez les tarifs en vigueur de chaque provider avant toute décision d'achat. La tarification Google Batch ou Flex n'est pas directement équivalente à une requête API on-demand standard, car les conditions de planification, de disponibilité et de traitement diffèrent ; elle est donc exclue de cette comparaison. Il s'agit d'une comparaison délimitée, et non d'une affirmation selon laquelle E2X serait l'option la moins chère au monde dans toutes les configurations.

C'est la résolution qui fait bouger ce chiffre, par paliers fixes :

Regardez où ça atterrit : une édition 4K chez nous coûte ce que fal.ai facture pour une 1K. La spécification lisible par machine reprend ces valeurs.

Ce que la moitié du prix de Pro vous achète vraiment

Google tarife gemini-3.1-flash-image à exactement la moitié de gemini-3-pro-image, et l'écart de capability est bien plus petit que l'écart de prix. L'édition rend cette asymétrie encore plus favorable : vous transformez une image qui a déjà l'air juste, donc le modèle a moins à inventer.

Les points qui comptent dans un pipeline :

• Quatorze images sources en un seul appel. Composez un sujet, un produit et une référence de fond sans chaîner trois requêtes ni surveiller les sorties intermédiaires. Aucune répartition de rôles imposée — vous décidez à quoi sert chaque pièce jointe et vous le dites dans le prompt.
• Sortie jusqu'en 4K. C'est l'écart décisif face au palier Lite, moins cher, qui n'expose aucun paramètre resolution — la 1K est tout ce qu'il renvoie. Si un asset édité doit partir à l'impression ou dans un hero retina, Lite est hors course.
• Le thinking mode avant de peindre. Le modèle raisonne sur ce que vous avez demandé de changer. C'est pour ça qu'une édition bien cadrée tient les zones intactes au lieu de les régénérer en douce.
• Le search grounding, Image Search compris. Utile quand une édition doit correspondre à quelque chose de réel : un bâtiment précis derrière votre sujet, une vraie déclinaison de produit.

La latence médiane tourne autour de 8,4 secondes. Le function calling n'est pas supporté : une boucle d'agent doit donc orchestrer ce modèle depuis l'extérieur.

Requête API : éditer avec des références

Deux champs sont obligatoires : prompt et image_urls. Gardez votre API key côté serveur et postez le 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": "Image 1 montre la basket, image 2 montre la référence de surface. Place la basket sur le béton mouillé montré en image 2, en respectant ses reflets. Ne modifie ni la chaussure ni son logo.",
      "image_urls": [
        "https://example.com/sneaker.png",
        "https://example.com/concrete.jpg"
      ],
      "aspect_ratio": "1:1",
      "resolution": "2k"
    }
  }'

La soumission renvoie un job ID. Faites du polling jusqu'à stabilisation :

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: "Change la saison derrière la fenêtre pour un plein hiver. Garde la pièce, les meubles et la personne exactement tels qu'ils sont.",
      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));
}

Les statuts vont pending → processing → completed, ou atterrissent sur failed / cancelled. Passez un webhookUrl dans le body de soumission et c'est nous qui vous appellerons.

Des détails de schema à retenir : image_urls est un tableau même pour une seule source, notre valeur par défaut d'aspect_ratio est 9:16 et non le ratio de l'image source, et les valeurs de resolution sont en minuscules. C'est cette valeur par défaut qui surprend le plus — envoyez une photo en paysage sans la régler et vous récupérez un crop portrait.

Choisir parmi nos modèles d'édition d'images

Nano Banana 2 est notre recommandation par défaut pour l'édition, mais ce n'est pas la bonne réponse pour tous les travaux. Voici ce que nous opérons par ailleurs :

Si vos éditions sont des remplacements de fond et des corrections colorimétriques en 1K, passez à Nano Banana 2 Lite — environ 40 % moins cher, à égalité sur le texte et la cohérence des références, et au volume cet écart, c'est toute la marge. Deux raisons de ne pas le faire : Lite plafonne à la 1K pour toujours, et il devient moins fiable dès qu'un prompt lui demande de placer correctement plusieurs objets. Ce second échec est subtil : testez donc votre pire prompt à vous plutôt que de faire confiance à un benchmark.

Montez jusqu'à Nano Banana Pro quand des mots lisibles dans le cadre sont le livrable. Ignorez la ligne legacy sauf si vous y êtes coincé : Google classe désormais gemini-2.5-flash-image comme legacy et recommande Nano Banana 2 Lite à la place — plus récent et moins cher à la fois. Le reste se trouve dans la catégorie édition d'images et dans le catalogue de modèles plus large.

Écrire des prompts d'édition qui tiennent

Le réflexe hérité de la génération, c'est de décrire l'image finie. Dans une édition, ça entre en concurrence avec la source, et vous obtenez un re-rendu qui dérive au lieu du changement demandé.

Dites ce qui change, puis dites ce qui ne doit pas changer. Nommer les zones protégées n'est pas optionnel — le modèle tient bien mieux un visage, un logo ou une étiquette quand vous lui dites que c'est hors limites.

Indexez vos pièces jointes dans le prompt. « Image 1 est le sujet, image 2 est uniquement une référence de lumière » est le seul signal d'intention dont dispose le modèle ; sans ça, la troisième pièce jointe devient un sujet de plus à inclure.

C'est dans les éditions chaînées que la qualité fuit discrètement. Chaque passe ré-encode, et de petites dérives d'identité s'accumulent sur quatre ou cinq tours. Écrasez une séquence en une seule requête avec toutes les références attachées — c'est $0.04 dans les deux cas, et le résultat en une passe est généralement plus propre.

Avant de mettre en production

Chaque sortie éditée porte un watermark SynthID. Google l'applique inconditionnellement, et aucun provider — nous compris — n'expose de flag pour le désactiver. Si un contrat interdit les assets générés par IA, réglez ce point avant d'écrire l'intégration.

Surveillez la qualité de vos entrées. Une source molle et sur-compressée contraint la sortie quelle que soit la resolution demandée ; réclamer de la 4K à partir d'un JPEG de 600 px vous achète un upscale coûteux des défauts de l'original.

Revérifiez aspect_ratio à chaque migration. Le nôtre est en portrait par défaut, les providers diffèrent, et un batch silencieusement recadré est le genre de bug qu'on remarque après publication.

Questions fréquentes

Qu'est-ce que l'édition d'images Nano Banana 2 ?

C'est la capability d'édition du modèle gemini-3.1-flash-image de Google, exposée sur notre API sous google/nano-banana-2/edit-image. Vous envoyez une ou plusieurs images sources plus une instruction, et il renvoie une image modifiée jusqu'en 4K.

Combien coûte une édition sur E2X ?

Notre valeur par défaut 1K est à $0.04 par image éditée ; la 2K est à $0.06 et la 4K à $0.08. C'étaient les prix relevés lors de la vérification du 26 août 2026. Les prix changent : confirmez sur la page modèle en direct avant d'engager un budget.

Combien d'images sources une requête peut-elle porter ?

Jusqu'à quatorze en un seul appel. Il n'y a pas de répartition de rôles imposée entre elles — c'est vous qui dites au modèle, dans le prompt, quelle pièce jointe est le sujet, laquelle est un fond, et laquelle n'est qu'une référence de style.

Nano Banana 2 peut-il produire des éditions en 4K ?

Oui — notre enum resolution accepte 1k, 2k et 4k, et une édition 4K coûte $0.08. C'est la principale raison de le choisir plutôt que Nano Banana 2 Lite, qui n'a aucun paramètre resolution et ne renvoie jamais que de la 1K.

E2X est-il moins cher que fal.ai pour ce modèle ?

Pour les prix on-demand comparables que nous avons vérifiés à cette date, oui — $0.04 chez nous contre $0.08 sur fal.ai, soit 50 % d'économie sur une requête 1K équivalente. Les produits batch, les tarifs promotionnels et les plans différents ne font pas partie de cette comparaison.

Les images éditées portent-elles un watermark ?

Oui. Chaque sortie contient un watermark SynthID, le marqueur imperceptible de Google pour les contenus générés par IA. Aucun provider n'offre de paramètre pour le retirer.

Pourquoi ma photo en paysage est-elle revenue en portrait ?

Parce que notre valeur par défaut d'aspect_ratio est 9:16, et non le ratio de l'image source. Réglez aspect_ratio explicitement dans chaque requête — c'est de loin la surprise la plus fréquente quand on porte un pipeline d'édition chez nous.

L'API d'édition est-elle synchrone ?

Non. Vous soumettez un job, puis vous faites du polling sur /v1/jobs/{id} ou vous fournissez un webhookUrl pour un callback. Les jobs terminés exposent le résultat sur data.outputs[0].url ; la latence médiane du modèle est d'environ 8,4 secondes.