用 Nano Banana API 做一致的图像生成

生成一张好图已经接近解决了。生成第二十张、而它仍然跟前十九张是一伙的——项目就死在这里。

这道差距不是 prompt 功力的问题。是「一致性」这三个字底下压着三个不同的工程问题，而修好其中一个的手法，对另外两个毫无作用。我们在自己的 API 上跑 Nano Banana 模型，而这是人们最常做错的一类请求——不是因为模型做不到，而是因为参考图是没贴标签送进去的，模型只能自己猜每一张是干什么用的。

三个问题，不是一个

在写 prompt 之前先把它们分开。它们的失败方式不同，花的钱也不同。

角色一致性。 同一个人贯穿许多帧——同样的脸、体型和头发，不管是在第四帧里坐着还是在第十九帧里走着，都能被认出是同一个个体。这是身份问题：模型得把一张脸带进它从没见过的构图里。

产品还原度。 不是一个相似的瓶子。是那个瓶子。瓶盖比例、标签位置、绿色的色号，分毫不差。还原度比身份更严苛——一张脸有容错空间，一个客户的包装没有。

风格一致性。 整组图读起来像同一组——同样的调色、同样的镜头味、同样的光质、同样的颗粒。不需要任何物体重复出现；重复的是处理方式。

大多数 brief 同时需要其中两项，却把它们当成一条指令来提。「做得一致一点」不是一个 API 能执行的请求。「图 1 是人，图 2 是瓶子，图 3 只管调色」才是。

角色分离才是真正的那个特性

Nano Banana Pro 最多接受 14 张参考图。Nano Banana 2 也一样，价格几乎只有一半。数量不是差别所在。Pro 把这份预算按角色拆开：

一共十四张，但是被分配好的。分配这件事，才把一张参考图从一个建议变成一条指令。

想想没有它会发生什么。您递给模型十四张图和一句话，它就得从那段文字里推断哪张图是需要保留的脸、哪张是需要精确复现的产品、哪张只是来定氛围的。它经常推断错。破绽是：一个产品出来的样子是「按您包装的风格」的，而不是就是您的包装；或者一张脸披上了情绪板的调色。

有了角色分离，您就不是在请求了，您是在声明。五个槽位管「谁」，六个管「什么」，三个管「看起来怎样」。一张广告合成图，一次 request，而不是三轮合成。

按我们 2026 年 8 月 26 日的价格，Pro 每次 request $0.075，对应 $0.15 的市面价。还有一件值得知道的事：在 Pro 上 1K 和 2K 同价。做主视觉素材，请拿 2K。那是免费的。

在 prompt 里给参考图贴标签

角色分离干的是结构上的活。prompt 干的是语义上的活，而它必须明确到几乎显得没礼貌的程度。参考图是按顺序到达的，所以请按位置点名，并说清楚每一张是干什么用的，包括它不是干什么用的。最后这一点，正是大多数 prompt 漏水的地方。

图 1 和图 2 是同一个女人——完全保留她的脸、发长和体型。
图 3 是产品：精确复现瓶身形状、瓶盖比例和标签图案，
不要重新设计它的风格。图 4 只管调色和光线氛围——不要从中
复制任何物体、姿势或构图。

把图 1-2 里的女人放进画面，手里拿着图 3 里的瓶子，
坐在窗边的咖啡馆桌前，四分之三侧面，
温暖的午后光线，与图 4 的调色一致。

有四件事让这条 prompt 成立，而没有一件是第五个形容词：

• 每一张参考图都有交代。没有哪张图是不带明确任务就进去的。
• 风格参考带着一条明确的排除。没有它，一块情绪板会把它的家具漏进您的场景里。
• 身份的用词是具体的——脸、发长、体型——不是「看起来像她」。
• 产品指令写了「不要重新设计风格」，正是这句话把还原和借鉴分开。

这里不讲 prompt 的通用写法；那是prompt 指南的事。这一节专讲怎么告诉模型您的参考图是干什么用的。

那次 request

一致性的活儿是编辑，不是生成，所以它走 edit-image slug，带上 image_urls。

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-pro/edit-image",
    "input": {
      "prompt": "图 1 和图 2 是同一个女人 - 完全保留她的脸、发长和体型。图 3 是产品：精确复现瓶身形状、瓶盖比例和标签图案，不要重新设计它的风格。图 4 只管调色和光线氛围，不要从中复制任何物体或构图。把这个女人放进画面，手里拿着那个瓶子，坐在窗边的咖啡馆桌前，四分之三侧面，温暖的午后光线。",
      "image_urls": [
        "https://cdn.example.com/refs/model-face-front.jpg",
        "https://cdn.example.com/refs/model-face-three-quarter.jpg",
        "https://cdn.example.com/refs/bottle-front.jpg",
        "https://cdn.example.com/refs/grade-warm-afternoon.jpg"
      ],
      "aspect_ratio": "4:5",
      "resolution": "2K"
    }
  }'

提交会返回一个 job ID；对它做 polling，或者传一个 webhookUrl。Pro 大约要 30 秒，因为它在构图时会生成一些中间的「思考图像」——Google 不返回它们，我们也不为它们计费。请显式设置 aspect_ratio，因为 Pro 默认 9:16。完整的参数走查在 Nano Banana Pro API 教程里。

更便宜的档位落在哪里

比起为一件不需要 Pro 的活儿把 Pro 卖给您，我们宁愿把您劝下一档。

Nano Banana 2 以 $0.04 接受同样的 14 张参考图，只是没有角色分离。对风格一致性来说这真的够用，因为那里每一张参考图干的都是同一件事，没有什么需要消歧。六张共享一套配色和一种光线氛围的博客页头不需要 Pro。它们需要的是一张好的风格参考和一份冻住的 prompt 模板。Nano Banana 2 还能到 4K，而 Lite 完全够不着。

Nano Banana 2 Lite 是 $0.0238，为量而造，不是为还原度。当您需要四百张共享同一种质感、而其中没有一张承载客户的脸或包装时，去找它。它只有 1K，没有 resolution 参数——发一个过去是错误，不是空操作。

legacy 的 Nano Banana 上限是 3 张参考图，不足以在同一帧里同时处理角色和产品，而且 Google 会在 2026 年 10 月 2 日让它退役——那个模型的完整故事是另一篇文章。别在它上面开一个一致性项目。

粗略的规则：只讲风格的活儿交给 Nano Banana 2 或 Lite。任何需要一张具体的人脸或一件具体的实物完好存活下来的活儿，交给 Pro。当一个客户因为标签不对而退回一整批的那一刻，$0.04 和 $0.075 之间的价差就不再要紧了。

价格与产品条款可能随时间变化；在做出采购决定前，请核对各家提供商的当前价格。Google 的 Batch 或 Flex 价格在调度、可用容量和处理条件上均有所不同，因此与标准的按需 API request 并不直接等价，已从本对比中排除。这是一次限定范围的对比，并非声称 E2X 在任何配置下都是全球最便宜的选择。

一次性搭好一套标准参考集

这里回本最快的那个习惯，跟 API 一点关系都没有。

把参考集搭一次，认真地搭，然后永远复用。不是「手边刚好有的那些照片」——是一套固定的、带版本的、存好的集合，每一次 request 都从它里面取。对一个角色：中性光下同一张脸的多个角度，正面、四分之三、侧面，再加一张全身照定体型。对一个产品：正面、背面、一张标签的细节裁切。对风格：一到两张承载着调色、并且没有别的东西干扰的图。

然后把它冻住。把这些 URL 存在某个长久的地方——您自己的 bucket，不是一条临时链接——并在这个项目的整个生命周期里，每一次 request 都传同一个数组。

这件事比调 prompt 更要紧，因为漂移是累积的。从第 4 帧生成第 5 帧、从第 5 帧生成第 6 帧，小误差会滚雪球，直到第 20 帧变成另一个人。把每一帧都锚定在同一套标准集上，意味着每次生成距离原始只漂了一步，而不是二十步。是一把扇子，不是一条链子。

有个相关的习惯：如果这套集合里包含您自己生成的图像，请把源文件留着。任何图像 API 的交付 URL 都会过期，所以请下载并保存您自己的素材——如何自动运行生成里有完整的循环。

先做一张主图，再从它派生变体

每一美元能产出最多可用输出的工作流，不是「生成二十张图」。是「把一张图生成二十遍」。

在 Pro 上做一张主图，并且把它做对——构图、光线、脸、产品。烧掉几次尝试；$0.075 的探索很便宜。

然后停止生成，开始编辑。把通过评审的那张主图连同您的标准集一起送回去，提出您想要的改动：换个角度、换个背景、换个裁切、模特改成看向别处而不是看镜头。每一个变体都锚定在某个已经过审的东西上，而不是锚定在一次新的掷骰上。

编辑胜过重生成，理由很容易被忽略。一次重生成会把一切重新决定一遍；您本来满意的每一个参数都重新回到了赌桌上。而一次编辑会保住您没提到的东西。既然已经花了一个下午把一张脸弄对，最不想要的就是把它重新决定二十遍。

两点实务提醒。加回主图时留意参考图的数量——主图加一套五张的角色集再加一个产品，已经是十四张里的七张了。以及，把过审主图的 prompt 存在图像旁边；一个变体通常就是那条 prompt 换掉两个从句，而凭记忆重写它，会把您刚刚花钱消掉的漂移又请回来。

任何参考集都修不好的那部分

Google 会把 SynthID 烙进它的模型产出的每一张图像里。它是不可见的，它随文件一起走，而它不是任何人暴露出来的设置，因为它根本就不是一个设置。这件事在这篇里比在大多数文章里更要紧：一致性项目就是客户项目，而客户的合同里可能有一条关于 AI 生成素材的条款。请在拍那套参考集之前把那条条款定下来，而不是在二十张过审的画面已经躺进一份提案之后。

一致性的活儿几乎总是编辑，所以 image-to-image 模型是该先浏览的那一架，而如果 brief 变了方向，目录里还有视频那一侧。

常见问题

我怎么在多张 AI 生成的图像里保持同一个角色？

搭一套标准参考集——中性光下同一张脸的多个角度，再加一张定体型的全身照——把它永久存好，并且给每一次 request 都传同样的图像。用 Nano Banana Pro 的角色槽位，它最多容纳 5 张身份图像，并在 prompt 里说清楚哪几张是这个人。请把每一帧都锚定在原始集合上，而不是锚定在上一帧上，否则误差会累积，到第二十帧就成了另一个人。

Nano Banana API 能接受多少张参考图？

Nano Banana Pro 接受 14 张，按角色分离：最多 5 张角色图、最多 6 张物体图、最多 3 张风格参考。Nano Banana 2 也接受 14 张，但没有角色分离。Nano Banana 2 Lite 是为量而不是为重参考图的活儿造的，而 legacy 的 Nano Banana 上限是 3 张。

角色一致性和产品还原度有什么区别？

角色一致性是指一个人在许多图像里保持可辨认——同样的脸、头发和体型，容得下微小的变化。产品还原度是指那个物体被精确复现：标签图案、瓶盖比例和颜色分毫不差，不做风格改造。Pro 用不同的参考槽位来处理它们，因为它们需要的严格程度不同，而 prompt 应该说清楚哪些图是哪一类。

做一致的图像该用 Nano Banana Pro 还是 Nano Banana 2？

当需求是风格上的——图像共享一套配色、光线和处理方式，没有具体的脸或产品需要保住——用 $0.04 的 Nano Banana 2。当某一张具体的脸或某一件具体的实物必须完好存活下来时，用 $0.075 的 Nano Banana Pro，因为正是按角色分离的参考图预算在告诉模型哪张是哪张。跟被退回的一整批比起来，这点价差很小。

我该怎么在 Nano Banana 的 prompt 里给参考图贴标签？

按您在 image_urls 里传入的顺序、以位置来指称它们，并说明每一张是干什么用的。「图 1 和图 2 是同一个女人，保留她的脸和体型；图 3 是产品，精确复现它；图 4 只管调色，不要从中复制任何物体或构图。」那些排除项和那些指令一样要紧，因为一张不加限定的风格参考，会把它的物体和构图漏进您的场景里。

编辑一张现有图像和重新生成一张，哪个更好？

一旦您有了一张认可的图像，就编辑。一次重生成会把每一个元素重新决定一遍，包括那些您本来满意的；一次编辑会保住您没提到的一切。高效的工作流是：一张精心做出来的主图，然后通过 edit-image endpoint、带上您的标准参考图，从它派生出各个变体。

为什么我生成的图像会偏离原来的角色？

几乎总是因为每一张新图都是从上一张生成的，而不是从一套固定的参考集生成的。那会让误差变成累积的——第 3 帧里稍微方一点的下颌，成了第 4 帧的基线，到第 20 帧就是另一个人了。请把每一次 request 都锚定在同一批存好的标准图像上，这样每一次输出都只距离原始一步，而不是二十步。