Nano Banana が実際に従う prompt の書き方

prompt のガイドの大半は形容詞の一覧です。形容詞は prompt のなかで最も効かない部分です。

当社は 4 つの Nano Banana をすべてひとつの API の背後で動かしており、prompt の壊れ方は書き出せる程度に一貫しています。品質の形容詞に 40 語、光に 2 語。Pro 向けの長さの構成ブリーフを最安ティアへ撃ち込む。場面全体を describe し直して別の絵になって返ってくる編集の依頼。どれもモデルの問題ではありません。書き方の問題であり、書き方の問題には直し方があります。

媒体、被写体、光、画面 — この順で

prompt は全体として読まれますが、前のほうの節は後ろの節より多く働きます。文の残りが生きる空間を、前の節が決めるからです。「美しい女性」で始めれば、モデルは写真を作るのか、油絵を作るのか、3D レンダリングを作るのかを推測しなければならず、あなたの他の言葉が統計的に示唆するものから推測します。「35mm のエディトリアル写真」で始めれば、以降のすべての判断はすでにひとつの媒体に制約されています。

ですから順序はこうです。

1. 媒体。 木の中で最も大きな分岐です。写真、アイソメトリックのレンダリング、フラットなベクターイラスト、グワッシュの絵画、マクロの商品写真。ひとつ選び、最初の 4 語のうちに名指ししてください。
2. 被写体。 カテゴリではなく、その特定のものです。「カフェのテーブルにいる女性」はストックフォトです。「白いカップを両手で包む 50 代の女性」は絵です。
3. 光。 方向、質、色。この一文が、他のどれよりも結果を動かします。そしてほとんど誰も書きません。
4. 画面。 カメラの高さ、距離、切り取り、被写界深度、そして空いた場所をどこに置くか。

同じ依頼を、まずいかたちで書いたものと、きちんと書いたものの両方でご覧ください。

コーヒーショップにいる美しい女性、非常に精細、8k、傑作、
artstation でトレンド、超リアル、プロの写真、受賞作、
シャープなフォーカス、ボケ

35mm のエディトリアル写真。50 代の女性が大理石のカフェテーブルにひとりで座り、
両手で白いカップを包み、画面の左外へ視線を向けている。背後の窓から低い冬の日差しが差し、
髪の輪郭を光らせ、外の通りを白く飛ばしている。隣のテーブルから座った目線の高さで、
腰から上、被写界深度は浅く、背景は柔らかいグレーへ落ちていく。

変わったもの。媒体が先頭へ移り、被写体には具体的な仕草がひとつ与えられ、光には方向と色温度が与えられ、カメラには位置が与えられました。品質については何ひとつ足していません。2 つ目の prompt は漠然とした意味で詳細なのではなく、より決まっているのです。

そして「非常に精細、8k、傑作」を書くのはやめてください。これらのモデルには何の効果もありません。あの語群は 2022 年の Stable Diffusion の prompt 文化から来た積荷で、ずっと小さなモデルを学習データの特定の一角へ寄せる働きがありました。Gemini 世代のモデルはそれらに反応しませんし、そのひとつひとつが、光がどこから来るかを describe するのに使えたはずの予算です。

空いた場所は、あなたが押さえない限り埋められる

これらのモデルは、何かを省くということをしません。マグカップを describe して周囲について何も言わなければ、画像には依然として周囲が含まれ、それはマグカップの写真がたいてい含んでいるものになります。木のテーブル、リネンのナプキン、何かの小枝、ぼけた窓、そしておよそ 4 割の確率で、マグに印刷された文字。

これが当社に最も多く寄せられる不満で、品質の問題ではありません。誰も「入れるな」と言わなかっただけです。

テーブルの上の陶器のマグカップ、商品写真

無釉の炻器のマグ 1 個のマクロ商品写真。マットなオートミール色の胴、
親指で摩耗した取っ手、継ぎ目のないミドルグレーの背景紙の中央に正対して立っている。
左上から大きな柔らかい光源、右下へ穏やかな影がひとつ落ちる。
マグに文字なし、ロゴなし、他の物なし、手なし、小道具なし、背景の細部なし。

書き直したほうの最後の一文が、前の 3 文を合わせたより多く働いています。除外は prompt の末尾に、他の部分と同じ調子の素直な列挙として書いてください。「文字なし、ロゴなし、人物なし、雑多なものなし」がそのファイルで最も価値の高い行になることはよくあります。そして後から実際の文字組が上に載る画像であれば、これは任意ではありません。

合成に回す予定のものでは、いつも以上に効きます。勝手に生えたローズマリーの小枝が入った背景は、mask を切らなければならない背景です。

実際に呼んでいるティアに向けて書く

4 つのモデルは受け取る prompt の量が違い、求める prompt のかたちも違います。上限は、思われている場所にありません。

Nano Banana 2 は価格では真ん中に位置しながら、現行 3 ティアのなかで上限が最も低い。初見では誰もが驚きます。

もっとも、本当の制約は上限ではありません。Lite は lite なモデルであり、長い prompt は特有のかたちで失敗します。最初の節と最後の節を保持し、真ん中を黙って落とすのです。入れ子になった条件（「テーブルのある部屋、その上に載ったボウル、その中に梨が 3 つ、うち 1 つは傷んでいる」）は、梨が丸ごと消えて返ってきます。Lite には平坦な文を書いてください。被写体ひとつ、場所ひとつ、光源ひとつ、除外のリストひとつ。

黄金時間のモダンなオープンプランオフィスのアイソメトリック 3D レンダリング。
スタンディングデスクに 14 人の異なる従業員、左にはホワイトボードのあるガラス張りの会議室、
隅にはフィドルリーフフィグの鉢、奥の壁沿いにはバリスタのいるコーヒーバー、
上部には剥き出しのダクト、窓を映す磨かれたコンクリートの床、
そして手前から 3 番目のデスクで眠っている猫

黄金時間のオープンプランオフィスのアイソメトリック 3D レンダリング。
スタンディングデスクの列、左にガラス張りの会議室、背の高い窓が磨かれた
コンクリートの床へ長く暖かい光を落としている。抑えた色調、整った幾何。
文字なし、看板なし、人物なし。

最初の prompt は間違っていません。Lite にとって間違っているのです。Pro へ送れば 14 人の従業員もダクトも猫も届きます。Lite へ送れば、オフィスと窓と、$0.0238 の請求が届きます。

これを逆向きに言えば、助言として使えます。prompt が 60 語未満で被写体がひとつなら、Pro が買ってくれるのは 30 秒の待ち時間とおよそ 3 倍の費用だけです。みなさんが生成するものの大半は Lite の仕事です。プレースホルダーの背景に最上位ティアを売りつけるより、当社はそう申し上げます。どのティアがどの仕事かの完全な内訳は、Nano Banana 4 モデルの比較に別途書きました。

aspect ratio は切り取りではなく、構図の指示

文を書く前にかたちを決めてください。かたちによって、文が言うべきことが変わるからです。21:9 のバナーは地平線と、中心から外した被写体を求めます。9:16 のストーリーは縦の積み重ねと頭上の余白を求めます。正方形向けの prompt を書いて横長でレンダリングすれば、両側に余白の付いた正方形の構図が返り、まさにそう見えます。

構図は prompt の中で声に出して言ってください。「地平線は下から 3 分の 1、被写体は右 3 分の 1、左上にはコピー用の空を空けておく」は実際の指示であり、これらのモデルはよく従います。

そして、アセットの一群を丸ごと無駄にする罠があります。既定の aspect ratio はティアをまたいで同じではありません。 Nano Banana、Nano Banana 2、Nano Banana Pro における当社の既定値は 9:16 です。Nano Banana 2 Lite では 1:1 です。つまり aspect_ratio を一度も固定しない設定は、3 つのモデルでは縦長を、4 つ目では正方形を生みます。そして節約のためにティアを切り替えれば、出力のかたちが足元で黙って変わります。

固定してください。常に、すべての呼び出しで、既定値がたまたま望みどおりのときでも。

curl -X POST https://api.e2x.ai/v1/jobs/submit \
  -H "Authorization: Bearer $E2X_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/nano-banana-2-lite/text-to-image",
    "input": {
      "prompt": "均一な曇天光の下の花崗岩の尾根の横長風景写真。地平線は下から 3 分の 1、尾根線は右から画面に入る、左上には淡く空いた空。文字なし、人物なし、建造物なし。",
      "aspect_ratio": "21:9"
    }
  }'

自分のティアを知っておく理由がもうひとつ。Lite は当社のカタログで他にない aspect ratio を 4 つ持っています — 1:4、4:1、1:8、8:1。これらは本当に有用で、本当に使われていません。サイト全体のヘッダー帯や縦長のサイドバー枠を 8:1 でレンダリングするほうが、16:9 を生成してその 80% を切り捨てるより勝ります。構図の面でも、捨てたピクセルに払った金額の面でも。

編集は別の技能：差分を書く

最も経験豊富な prompt の書き手が最も大きく退行するのがここです。text-to-image の本能が、欲しい絵を describe することだからです。編集の呼び出しでは、絵はすでに手元にあります。もう一度 describe することは、それと競合します。

編集の prompt の仕事は 2 つです。何が変わるかを名指しすること、そして何が変わってはならないかを名指しすること。それ以外はそこに属しません。

低い冬の光の中、大理石のカフェテーブルにいる 50 代の女性、青ではなく赤いコートを着て、
同じ顔、同じポーズ、エディトリアル写真、35mm、浅い被写界深度、暖色系

コートをネイビーから深いブリックレッドへ変更。生地の重さ、襟のかたち、
ドレープは同一に保つこと。画面内の他はすべて変更なし。同じ顔、同じ表情、
同じ手、同じカップ、同じ窓の光、同じ切り取り。

最初の版は媒体もレンズも色調も指定し直しており、その指定し直しのひとつひとつが、モデルが実行しうる新しい指示です。微妙に違う顔が返ってくるのは、そうやってです。2 つ目の版は 1 か所だけに触れ、残りを明示的に凍結しています。

編集のパイプラインを組む前に知っておく価値のある機械的な事実が 2 つ。参照画像の枚数はティアごとに違います。レガシーモデルは 3 枚、Nano Banana 2 の edit endpoint は 14 枚、Nano Banana Pro の edit endpoint も 14 枚ですが役割で分けます — 同一性のための人物画像を最大 5 枚、商品の忠実性のための物体画像を 6 枚、スタイル参照を 3 枚。この役割分離こそが、Pro が広告の合成を 1 回の request で組み上げられる理由であり、それ自体でひとつの主題です。Nano Banana の生成をまたいでキャラクターを一貫させるで扱っています。

画像内テキストと、やめておくべきとき

画像の中の判読できる言葉は Gemini 3 世代から入りました。レガシーの gemini-2.5-flash-image にはできません。単語 1 つならときに生き残りますが、文は決して生き残りません。実際の文字組が入るものには Nano Banana 2 を、文字組そのものが要点であるものには Pro を。Pro は装飾的な文字も多言語の文字も十分に描くので、英語のインフォグラフィックを渡せばアートワークを保ったままスペイン語版が返ってきます。

文字を頼むときは、規則が厳しくなります。

• 言葉は引用符で囲み、出るべきとおりに正確に書く。
• 語数がいくつで、画面のどこに置かれるかを言う。
• 字形はフォント名ではなくスタイルとして describe する。「背の高い幾何学的なアールデコの大文字、ゆったりした字間」は効きます。特定の書体名を挙げることは、たいてい効きません。
• 「画像内の他の場所に文字は一切なし」で締める。さもないとモデルは、頼んでもいないもっともらしい副題を足します。

LISBOA という語をアールデコの文字で入れた、リスボンのヴィンテージ旅行ポスター

1930 年代のヴィンテージ旅行ポスターのイラスト、見当ずれの見えるフラットな
シルクスクリーン調。急なパステルカラーの坂を登るクリーム色の路面電車、
その背後にテージョ川の河口が 3 段のフラットなブルーで。文字は 1 行のみ。
"LISBOA" の語を、背の高い幾何学的なアールデコの大文字で下から 4 分の 1 の位置に、
クリーム地に深い黄土色、ゆったりした字間で。画像内の他の場所に文字は一切なし。

ここからは歓迎されない話です。画像内テキストの大半は、画像の中にあるべきではありません。その言葉がいずれ変更されたり、翻訳されたり、選択されたり、スクリーンリーダーに読まれたり、法務の確認後に修正されたりするのであれば、アートワークは文字なしで生成し、文字は HTML や Figma やテンプレートエンジンで組んでください。モデルにできるからという理由で見出しをピクセルに焼き込むのは、最初の原稿修正で代金を払うことになる判断です。レンダリングされた文字を頼むのは、その文字が本当にアートワークの一部であるとき — ポスター、看板の描かれた店先、静物の中の本の背 — であり、それ以外では見送ってください。

データのかたちをしたものでは、これがもっと鋭くなります。もっともらしい文字を描くモデルは、もっともらしい数字ももっともらしい地名も描きます。ポスターなら構いませんが、グラフや地図では破滅的です。その理由はAI 画像生成ツールが地図をここまで苦手とする理由で正面から扱いました。

手元に置いておく価値のあるテンプレート

みなさんが実際に生成するものの大半を覆う骨組みを 4 つ。角括弧を埋め、当てはまらないものを削り、除外の行は残してください。

合成用の、無地の背景に置かれたきれいな被写体：

［媒体：マクロ商品写真 ／ スタジオの静物］。［素材の具体的な特徴をひとつ持つ被写体］が 1 点、
継ぎ目のない［色］の背景紙の中央に。［方向］から［光源とその大きさ］、
影が［方向］へひとつ落ちる。文字なし、ロゴなし、小道具なし、手なし、背景の細部なし。

コピー用の余白を持つエディトリアルの場面：

［媒体］。［被写体が具体的な行為をひとつしている］、［場所］。
［光：方向、質、色温度］。［カメラの高さと距離］から、［切り取り］、［被写界深度］。
［被写体］は［左／右］3 分の 1 に、［領域］にはコピー用の空いた［面または空］。
文字なし、ロゴなし。

1 か所だけ変える編集：

［要素］を［現在の状態］から［目標の状態］へ変更。［その要素のうち残らなければならない
性質を 2〜3 個］は同一に保つこと。画面内の他はすべて変更なし。同じ［崩れやすい部分を列挙］。

文字が 1 行入るイラスト、Pro ティア向け：

［イラストのスタイルと年代］、［技法の細部］。［場面を 2 文で描写］。
文字は 1 行のみ。"［語］" を［字形の説明］で、［色］地に［色］、［位置］に配置。
画像内の他の場所に文字は一切なし。

prompt が問題ではないとき

ある時点から prompt は問題なく、パイプラインのほうが問題になります。再試行、seed、キューイング、URL が失効する前に出力を保存すること。それは別の分野で、画像生成を量産規模で自動化する方法に書きました。埋めようとしている隔たりが指示への追従ではなく写真としての信じられやすさであれば、そのためのチェックリストは最もリアルな AI 画像生成ツールのガイドにあります。

各モデルは正確なパラメーターの一覧 — aspect ratio の全種、既定値、何を拒むか — を機械可読の仕様として公開しています。Nano Banana 2 Lite の仕様ファイルがその例です。モデルを切り替えた後に挙動がおかしくなった prompt を書き直す前に、まずそれをお読みください。10 回のうち 9 回は prompt に問題はなく、足元で既定値が動いています。text-to-image カテゴリのすべてのモデルの背後に、そして当社が動かす他のすべての背後に、仕様ファイルがあります。

よくある質問

Nano Banana の prompt はどう構成すべきですか？

まず媒体、次に被写体、次に光、次にフレーミング、最後に除外の列挙です。冒頭の言葉で媒体を名指しすることが以降のすべての判断を制約し、光を明示的に describe することが、どれだけ品質の形容詞を並べるよりも結果に効きます。何が出てはならないか — 「文字なし、ロゴなし、小道具なし」 — で締めてください。これらのモデルは、指定されていない場所を空けておくのではなく埋めるからです。

「8k」や「傑作」といった品質の言葉は Nano Banana に効きますか？

効きません。あの語群は、出力を学習データの特定の一部へ寄せる働きがあった以前のオープンウェイトの拡散モデルから来ています。Gemini 世代のモデルは反応しませんし、光の方向やカメラ位置や除外に使ったほうがよい prompt の予算を食います。

Nano Banana の prompt はどれくらい長くできますか？

Nano Banana 2 Lite は最大 32,000 文字、Nano Banana 2 は 20,000 文字、Nano Banana Pro は 50,000 文字までです。これらは目標ではなく上限です。とくに Lite は上限に達するはるか手前から長い prompt で成績が落ちます。冒頭と末尾の節を保持し、真ん中を落とす傾向があるからです。

モデルを切り替えると画像のかたちが変わるのはなぜですか？

既定の aspect ratio がティアごとに違うからです。当社の API では Nano Banana、Nano Banana 2、Nano Banana Pro が 9:16、Nano Banana 2 Lite が 1:1 を既定とします。aspect_ratio を一度も設定しない request は、そのためモデル間を移動するとかたちが変わります。すべての呼び出しで明示的に設定してください。

Nano Banana の編集用 prompt はどう書きますか？

場面ではなく差分を書いてください。変わるものをひとつだけ名指しし、そのうち残らなければならない性質を名指しし、それから他はすべて変更なしと述べて、最も崩れやすい要素 — 顔、ポーズ、ライティング、切り取り — を列挙します。編集の prompt で媒体やレンズや雰囲気を describe し直すことが、画像の他の場所に意図しない変化を招く原因です。

画像の中に読める文字を描けるのはどの Nano Banana ですか？

Nano Banana 2 と Nano Banana Pro です。判読可能な画像内テキストは Gemini 3 世代の capability だからです。文字組そのものが要点であるときに信頼できるのは Nano Banana Pro で、装飾的な文字も多言語の文字も扱えます。レガシーの gemini-2.5-flash-image は、判読できる文字をまったく描けません。

prompt への追従を良くするために Nano Banana Pro は必要ですか？

たいてい必要ありません。Pro の優位は、複数の空間関係を含む長い構成ブリーフを保持できること、加えて役割の分かれた参照画像と、当てにできる画像内テキストです。prompt が 60 語未満の被写体ひとつであれば、$0.0238 の Nano Banana 2 Lite も同じくらい忠実に従い、しかも速く返します。