Nano Banana 2

API di editing immagini Nano Banana 2 su E2X

Nano Banana 2 è il gemini-3.1-flash-image di Google, e la sua capability di editing è il cavallo da tiro del nostro catalogo immagini. Lo esponiamo come google/nano-banana-2/edit-image, applichiamo una tariffa di $0.04 per immagine modificata al default 1K, e una singola request può portare fino a quattordici immagini sorgente. fal.ai lista lo stesso modello a $0.08.

Nessuna immagine sorgente da cui partire? Allora Le serve Nano Banana 2 text-to-image — stesso modello, stesso prezzo, solo prompt.

Vale la pena dirlo chiaramente, perché i cataloghi dei provider hanno fatto confusione: questo non è Nano Banana Pro. Pro è gemini-3-pro-image, alla fonte costa circa il doppio. Se la tabella di un altro sito mostra "Nano Banana 2" con le specifiche di Pro, controlli l'ID del modello Gemini sottostante.

I nostri prezzi al 26 agosto 2026:

I prezzi e le condizioni dei prodotti possono cambiare nel tempo. Verifichi i prezzi aggiornati di ciascun provider prima di prendere una decisione d'acquisto. Il prezzo Google Batch o Flex non è direttamente equivalente a una request API on-demand standard, perché le condizioni di pianificazione, disponibilità ed elaborazione sono diverse; è quindi escluso da questo confronto. Si tratta di un confronto circoscritto a uno scenario d'uso specifico, non dell'affermazione che E2X sia l'opzione più economica al mondo in ogni configurazione.

A muovere quel numero è la risoluzione, a scatti fissi:

Noti dove va a finire: una modifica in 4K da noi costa quanto fal.ai chiede per una in 1K. La specifica leggibile dalle macchine rispecchia questi valori.

Cosa compra davvero la metà del prezzo di Pro

Google tariffa gemini-3.1-flash-image a esattamente metà di gemini-3-pro-image, e la differenza di capability è molto più piccola della differenza di prezzo. L'editing rende quell'asimmetria ancora più favorevole — sta trasformando un'immagine che è già giusta, quindi il modello ha meno da inventare.

Le parti che contano in una pipeline:

• Quattordici immagini sorgente in una sola chiamata. Componga un soggetto, un prodotto e una reference di sfondo senza concatenare tre request e sorvegliare gli output intermedi. Non c'è alcuna divisione di ruoli imposta — decide Lei a cosa serve ogni allegato e lo dichiara nel prompt.
• Output fino al 4K. È il divario decisivo rispetto al tier Lite più economico, che non espone alcun parametro resolution — 1K è tutto ciò che restituisce. Se un asset modificato deve andare in stampa o in uno slot hero retina, Lite è fuori gioco.
• Thinking mode prima di dipingere. Il modello ragiona su ciò che ha chiesto di cambiare. È per questo che una modifica ben circoscritta tiene ferme le regioni intatte invece di rigenerarle in silenzio.
• Grounding di ricerca, Image Search inclusa. Utile quando una modifica deve corrispondere a qualcosa di reale — un edificio specifico dietro il Suo soggetto, una variante di prodotto autentica.

La latenza mediana si aggira intorno agli 8,4 secondi. Il function calling non è supportato, quindi un loop agentico deve orchestrare questo modello dall'esterno.

Request API: editing con reference

Due campi sono obbligatori: prompt e image_urls. Tenga la Sua API key lato server e invii il 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 prima immagine è la sneaker, la seconda è la reference della superficie. Metti la sneaker sul cemento bagnato della seconda immagine, rispettandone i riflessi. Non alterare la scarpa né il suo logo.",
      "image_urls": [
        "https://example.com/sneaker.png",
        "https://example.com/concrete.jpg"
      ],
      "aspect_ratio": "1:1",
      "resolution": "2k"
    }
  }'

L'invio restituisce un job ID. Faccia polling finché non si stabilizza:

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 stagione fuori dalla finestra in pieno inverno. Mantieni la stanza, i mobili e la persona esattamente come sono.",
      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));
}

Gli status vanno da pending → processing → completed, oppure finiscono su failed / cancelled. Passi un webhookUrl nel body di submit e La chiamiamo noi.

Dettagli dello schema da fissare: image_urls è un array anche per una sola sorgente, il nostro default di aspect_ratio è 9:16 e non il rapporto dell'immagine sorgente, e i valori di resolution sono in minuscolo. È quel default a sorprendere le persone — dia in pasto una foto orizzontale senza impostarlo e torna indietro un taglio verticale.

Come scegliere fra i nostri modelli di editing immagini

Nano Banana 2 è la nostra raccomandazione di default per l'editing, ma non è la risposta giusta per ogni lavoro. Ecco cos'altro facciamo girare:

Se le Sue modifiche sono sostituzioni di sfondo e correzioni di colore a 1K, passi a Nano Banana 2 Lite — circa il 40% più economico, pari su testo e coerenza delle reference, e sui volumi quel divario è tutto il margine. Due motivi per non farlo: Lite si ferma a 1K per sempre e diventa meno affidabile quando un prompt gli chiede di collocare correttamente più oggetti. Quel secondo fallimento è sottile, quindi testi il Suo prompt peggiore invece di fidarsi di un benchmark.

Salga a Nano Banana Pro quando il deliverable sono parole leggibili dentro l'inquadratura. Ignori la riga legacy a meno che non ci sia bloccato sopra: Google ora classifica gemini-2.5-flash-image come legacy e raccomanda invece Nano Banana 2 Lite — più recente e più economico allo stesso tempo. Il resto sta nella categoria editing immagini e nel più ampio catalogo modelli.

Scrivere prompt di editing che tengono

L'istinto ereditato dalla generazione è quello di descrivere l'immagine finita. In una modifica questo compete con la sorgente, e ottiene un re-render alla deriva invece del cambiamento che aveva chiesto.

Dica cosa cambia, poi dica cosa non deve cambiare. Nominare le regioni protette non è opzionale — il modello tiene un volto, un logo o un'etichetta molto meglio quando gli dice che sono zone vietate.

Indicizzi gli allegati nel prompt. "L'immagine 1 è il soggetto, l'immagine 2 è solo una reference di illuminazione" è l'unico segnale che il modello ha sulle Sue intenzioni; senza, il terzo allegato diventa un altro soggetto da includere.

È nelle modifiche concatenate che la qualità se ne va in silenzio. Ogni passaggio ri-codifica, e una piccola deriva d'identità si accumula su quattro o cinque giri. Comprima una sequenza in un'unica request con tutte le reference allegate — $0.04 in entrambi i casi, e il risultato in un solo passaggio è di solito più pulito.

Prima di andare in produzione

Ogni output modificato porta un watermark SynthID. Google lo applica senza condizioni e nessun provider — noi compresi — espone un flag per disattivarlo. Se un contratto vieta gli asset generati dall'IA, chiarisca il punto prima di scrivere l'integrazione.

Tenga d'occhio la qualità dell'input. Una sorgente morbida e troppo compressa vincola l'output qualunque resolution richieda; chiedere il 4K da un JPEG da 600px compra un upscale costoso dei difetti dell'originale.

Ricontrolli aspect_ratio a ogni migrazione. Il nostro va di default sul verticale, i provider differiscono, e un batch reinquadrato in silenzio è il tipo di bug che si nota dopo la pubblicazione.

Domande frequenti

Che cos'è l'editing di immagini con Nano Banana 2?

È la capability di editing del modello gemini-3.1-flash-image di Google, esposta sulla nostra API come google/nano-banana-2/edit-image. Invia una o più immagini sorgente più un'istruzione, e restituisce un'immagine modificata fino al 4K.

Quanto costa una modifica su E2X?

Il nostro default 1K è $0.04 per immagine modificata; il 2K è $0.06 e il 4K è $0.08. Erano questi i prezzi alla verifica del 26 agosto 2026. I prezzi cambiano, quindi confermi sulla pagina del modello aggiornata prima di impegnare un budget.

Quante immagini sorgente può contenere una request?

Fino a quattordici in una sola chiamata. Fra di esse non c'è alcuna divisione di ruoli imposta — è Lei a dire al modello, nel prompt, quale allegato è il soggetto, quale è lo sfondo e quale è solo reference di stile.

Nano Banana 2 può produrre modifiche in 4K?

Sì — il nostro enum resolution accetta 1k, 2k e 4k, e una modifica in 4K costa $0.08. È il motivo principale per sceglierlo al posto di Nano Banana 2 Lite, che non ha alcun parametro resolution e restituisce sempre e solo 1K.

E2X è più economico di fal.ai per questo modello?

Per i prezzi on-demand confrontabili che abbiamo verificato in quella data, sì — $0.04 da noi contro $0.08 su fal.ai, un risparmio del 50% su una request 1K equivalente. Prodotti batch, tariffe promozionali e piani diversi non fanno parte di quel confronto.

Le immagini modificate portano un watermark?

Sì. Ogni output include un watermark SynthID, il marcatore impercettibile di Google per i contenuti generati dall'IA. Nessun provider offre un parametro per rimuoverlo.

Perché la mia foto orizzontale è tornata verticale?

Perché il nostro default di aspect_ratio è 9:16, non il rapporto dell'immagine sorgente. Imposti aspect_ratio esplicitamente in ogni request — è la sorpresa più comune quando si porta da noi una pipeline di editing.

L'API di editing è sincrona?

No. Invia un job e poi fa polling su /v1/jobs/{id} oppure fornisce un webhookUrl per una callback. I job completati espongono il risultato su data.outputs[0].url; la latenza mediana del modello è intorno agli 8,4 secondi.