gemini-3-image-generation

Gemini 3 Pro Image 画像生成（Nano Banana Pro）

Gemini 3 Pro Image（gemini-3-pro-image-preview）を使った画像生成の総合ガイドです。Nano Banana Pro としても知られています。このスキルは画像出力（画像の生成）に焦点を当てています。入力（画像の分析）については、gemini-3-multimodal を参照してください。

概要

Gemini 3 Pro Image（Nano Banana Pro 🍌）は、ネイティブの 4K 対応、画像内のテキスト描画、Google Search を使ったグラウンディング生成、会話形式の編集機能を備えた Google の画像生成モデルです。

主な機能

• 4K 解像度： ネイティブの 4K 生成と、2K／4K へのアップスケーリング
• テキスト描画： 画像内に高品質なテキストを描画
• グラウンディング生成： Google Search を使って事実確認された画像を生成
• 会話形式の編集： コンテキストを維持しながら複数ターンにわたって画像を編集
• アスペクト比： 4K で 16:9 やカスタム比率に対応
• 品質管理： 生成パラメーターを細かく調整可能

このスキルを使用する場面

• テキストプロンプトから画像を生成する
• 4K 解像度の画像を作成する
• 画像内にテキストを描画する
• 事実確認された画像を生成する（グラウンディング）
• 会話形式で画像を編集する
• 複数ターンにわたって画像を調整する
• カスタムのアスペクト比で画像を生成する

---

クイックスタート

前提条件

• Gemini API のセットアップ（gemini-3-pro-api スキルを参照）
• モデル： gemini-3-pro-image-preview

Python クイックスタート

import google.generativeai as genai

genai.configure(api_key="YOUR_API_KEY")

# Use the image generation model
model = genai.GenerativeModel("gemini-3-pro-image-preview")

# Generate image
response = model.generate_content("A serene mountain landscape at sunset")

# Save image
if response.parts:
    with open("generated_image.png", "wb") as f:
        f.write(response.parts[0].inline_data.data)
    print("Image saved!")

Node.js クイックスタート

import { GoogleGenerativeAI } from "@google/generative-ai";
import fs from "fs";

const genAI = new GoogleGenerativeAI("YOUR_API_KEY");
const model = genAI.getGenerativeModel({ model: "gemini-3-pro-image-preview" });

const result = await model.generateContent("A serene mountain landscape at sunset");
const imageData = result.response.parts[0].inlineData.data;

fs.writeFileSync("generated_image.png", Buffer.from(imageData, "base64"));
console.log("Image saved!");

---

主なタスク

タスク 1：テキストプロンプトから画像を生成する

目標： テキストによる説明から高品質な画像を作成します。

Python の例：

import google.generativeai as genai

genai.configure(api_key="YOUR_API_KEY")

model = genai.GenerativeModel(
    "gemini-3-pro-image-preview",
    generation_config={
        "thinking_level": "high",  # Best quality
        "temperature": 1.0
    }
)

# Generate image
prompt = """A futuristic cityscape at night with:
- Neon lights and holographic advertisements
- Flying vehicles
- Tall skyscrapers with unique architecture
- Rain-slicked streets reflecting the lights
- Cinematic, detailed, 4K quality"""

response = model.generate_content(prompt)

# Save image
if response.parts and hasattr(response.parts[0], 'inline_data'):
    image_data = response.parts[0].inline_data.data
    with open("futuristic_city.png", "wb") as f:
        f.write(image_data)
    print("Image generated successfully!")
else:
    print("No image generated")

より良いプロンプトを作成するためのヒント：

• 具体的で詳細に記述する
• アートスタイル（リアル、漫画、油絵など）を指定する
• 照明、雰囲気、ムードを含める
• 品質レベル（4K、詳細、高品質など）を指定する
• 色、質感、構図を説明する

参照： プロンプト作成の詳細な手法については、references/generation-guide.md を参照してください。

---

タスク 2：4K 画像を生成する

目標： アップスケーリングにより、高解像度の 4K 画像を作成します。

Python の例：

# Generate with 4K quality specification
prompt = """A photorealistic portrait of a scientist in a modern lab:
- 4K ultra-high definition
- Sharp focus on subject
- Soft bokeh background
- Professional studio lighting
- Fine detail in textures
- Cinema-grade quality"""

response = model.generate_content(prompt)

# 4K image will be generated
if response.parts:
    with open("scientist_4k.png", "wb") as f:
        f.write(response.parts[0].inline_data.data)

4K の機能：

• ネイティブの 4K 解像度に対応
• 2K／4K へのアップスケーリング
• 4K で 16:9 のアスペクト比に対応
• 細部と鮮明さを強化

参照： 解像度の制御については、references/resolution-guide.md を参照してください。

---

タスク 3：画像内にテキストを描画する

目標： 読みやすく、高品質なテキストを含む画像を生成します。

Python の例：

prompt = """Create a professional business card design with:
- Company name: "TechVision AI"
- Text: "Dr. Sarah Chen"
- Text: "Chief AI Officer"
- Text: "[email protected]"
- Text: "+1 (555) 123-4567"
- Modern, clean design
- Professional fonts
- Blue and white color scheme
- All text clearly readable"""

response = model.generate_content(prompt)

if response.parts:
    with open("business_card.png", "wb") as f:
        f.write(response.parts[0].inline_data.data)

テキスト描画のベストプラクティス：

• 描画するテキストを引用符で囲んで明示する
• 「読みやすい」または「はっきり見える」テキストを指定する
• テキストは短く、シンプルにする
• 必要に応じてフォントスタイルを指定する
• コントラストの高い背景を使用する

参照： テキスト描画の手法については、references/generation-guide.md を参照してください。

---

タスク 4：グラウンディング生成（事実確認された画像）

目標： Google Search のグラウンディングを利用して、事実に即した画像を生成します。

Python の例：

# Enable Google Search grounding for factual accuracy
model_grounded = genai.GenerativeModel(
    "gemini-3-pro-image-preview",
    tools=[{"google_search_retrieval": {}}]  # Enable grounding
)

prompt = """Generate an accurate image of the International Space Station
with Earth in the background. Use current ISS configuration."""

response = model_grounded.generate_content(prompt)

if response.parts:
    with open("iss_grounded.png", "wb") as f:
        f.write(response.parts[0].inline_data.data)

    # Check if grounding was used
    if hasattr(response, 'grounding_metadata'):
        print(f"Grounding sources used: {len(response.grounding_metadata.grounding_chunks)}")

グラウンディング生成のユースケース：

• 歴史的な情景（時代考証に正確なもの）
• 科学的な視覚化
• 時事問題
• 有名なランドマーク
• 製品の表現

メリット：

• 事実の正確性
• 現実世界に基づいた生成
• ハルシネーションの低減
• 最新情報の反映

注： Google Search の無料利用枠を使用します（1 日あたり 1,500 クエリ）。

参照： 詳細なガイドについては、references/grounded-generation.md を参照してください。

---

タスク 5：会話形式の画像編集

目標： 複数ターンの会話を通じて、画像を段階的に調整します。

Python の例：

model = genai.GenerativeModel("gemini-3-pro-image-preview")

# Start a chat session for conversational editing
chat = model.start_chat()

# First generation
response1 = chat.send_message("Create a cozy coffee shop interior")

if response1.parts:
    with open("coffee_shop_v1.png", "wb") as f:
        f.write(response1.parts[0].inline_data.data)

# Refine the image
response2 = chat.send_message("Add more plants and warm lighting")

if response2.parts:
    with open("coffee_shop_v2.png", "wb") as f:
        f.write(response2.parts[0].inline_data.data)

# Further refinement
response3 = chat.send_message("Make it more minimalist, remove some decorations")

if response3.parts:
    with open("coffee_shop_v3.png", "wb") as f:
        f.write(response3.parts[0].inline_data.data)

会話形式の編集機能：

• ターンをまたいで視覚的なコンテキストを維持する
• 段階的に変更する
• 自然言語で指示する
• 複数ターンにわたって調整する
• コンテキストに応じて変更する

編集コマンドの例：

• 「もっと暗く／明るくして」
• 「[要素]をもっと追加して」
• 「配色を[色]に変更して」
• 「もっとリアルに／芸術的にして」
• 「[要素]を削除して」

参照： 応用的なパターンについては、references/conversational-editing.md を参照してください。

---

Task 6: カスタムアスペクト比

目標： 特定のアスペクト比で画像を生成します。

Python の例：

# 16:9 aspect ratio (4K supported)
prompt_169 = "A cinematic landscape in 16:9 aspect ratio, 4K quality"

# Square aspect ratio
prompt_square = "A square logo design for a tech company"

# Portrait orientation
prompt_portrait = "A portrait-oriented movie poster"

response = model.generate_content(prompt_169)
# Image will be generated in specified ratio

対応する比率：

• 16:9 - ワイド、シネマティック（4K 対応）
• 1:1 - 正方形
• 4:3 - 標準
• 9:16 - 縦向き／ポートレート

---

Task 7: 画像生成コストの最適化

目標： 画像生成の品質とコストのバランスを取ります。

料金：

• テキスト入力： 100 万トークンあたり $1-2
• テキスト出力： 100 万トークンあたり $6-9
• 画像出力： 1 枚あたり $0.134（解像度によって異なります）

Python によるコスト最適化：

def generate_with_cost_tracking(prompt):
    """Generate image and track costs"""

    response = model.generate_content(prompt)

    # Calculate cost
    usage = response.usage_metadata
    input_cost = (usage.prompt_token_count / 1_000_000) * 2.00
    output_cost = (usage.candidates_token_count / 1_000_000) * 9.00
    image_cost = 0.134  # Per image

    total_cost = input_cost + output_cost + image_cost

    print(f"Input tokens: {usage.prompt_token_count} (${input_cost:.6f})")
    print(f"Output tokens: {usage.candidates_token_count} (${output_cost:.6f})")
    print(f"Image cost: ${image_cost:.6f}")
    print(f"Total: ${total_cost:.6f}")

    return response

response = generate_with_cost_tracking("A beautiful sunset over mountains")

コスト最適化の戦略：

1. リクエストをバッチ処理する： 1 回のセッションで複数の画像を生成します
2. チャットセッションを再利用する： 会話形式の編集はより効率的です
3. 具体的なプロンプトを使う： 明確なプロンプトにより再生成の必要性を減らせます
4. 使用状況を監視する： プロジェクトごとのコストを追跡します
5. 適切な品質を選ぶ： すべての画像に 4K が必要なわけではありません

詳細な戦略については、 references/pricing-optimization.md を参照してください

---

画像のバッチ生成

import google.generativeai as genai

genai.configure(api_key="YOUR_API_KEY")
model = genai.GenerativeModel("gemini-3-pro-image-preview")

prompts = [
    "A serene mountain lake at dawn",
    "A bustling market in Morocco",
    "A futuristic robot assistant",
    "An abstract geometric pattern"
]

for i, prompt in enumerate(prompts):
    print(f"Generating image {i+1}/{len(prompts)}: {prompt}")

    response = model.generate_content(prompt)

    if response.parts:
        with open(f"generated_{i+1}.png", "wb") as f:
            f.write(response.parts[0].inline_data.data)
        print(f"  Saved: generated_{i+1}.png")

---

エラー処理

from google.api_core import exceptions

def safe_image_generation(prompt):
    """Generate image with error handling"""

    try:
        response = model.generate_content(prompt)

        if not response.parts:
            return {"success": False, "error": "No image generated"}

        if not hasattr(response.parts[0], 'inline_data'):
            return {"success": False, "error": "Invalid response format"}

        return {
            "success": True,
            "image_data": response.parts[0].inline_data.data,
            "mime_type": response.parts[0].inline_data.mime_type
        }

    except exceptions.InvalidArgument as e:
        return {"success": False, "error": f"Invalid prompt: {e}"}
    except exceptions.ResourceExhausted as e:
        return {"success": False, "error": f"Rate limit exceeded: {e}"}
    except Exception as e:
        return {"success": False, "error": f"Error: {e}"}

---

参考資料

基本ガイド

• モデルのセットアップ - Nano Banana Pro の設定
• 生成ガイド - 包括的なプロンプト作成テクニック
• グラウンディング生成 - 事実確認済みの画像生成
• 会話形式の編集 - 複数ターンでの調整

最適化

• 解像度ガイド - 4K と品質の制御
• 料金の最適化 - コスト管理

スクリプト

• 画像生成スクリプト - 本番環境対応の生成
• グラウンディング生成スクリプト - 事実確認済みの画像
• 画像編集スクリプト - 会話形式の編集

公式リソース

• Imagen 3 のドキュメント
• 画像生成ガイド
• 料金

---

関連スキル

• gemini-3-pro-api - 基本的なセットアップ、認証、テキスト生成
• gemini-3-multimodal - 画像入力（画像の分析）
• gemini-3-advanced - 高度な機能（キャッシュ、バッチ処理、ツール）

---

ベストプラクティス

1. 具体的に指定する： 詳細なプロンプトほど、より良い結果が得られます
2. 品質を指定する： 4K または高品質を明示的に指定します
3. グラウンディングを使う： 事実の正確性を高めるために有効にします
4. 会話形式で反復する： 調整にはチャットを使います
5. コストを監視する： 特に 4K の使用状況を追跡します
6. エラーに対処する： 再試行ロジックを実装します
7. 画像を適切に保存する： 書き込みにはバイナリモードを使います

---

トラブルシューティング

問題：画像が生成されない

解決策： response.parts が存在し、inline_data 属性があることを確認します

問題：画像の品質が低い

解決策： プロンプトに「4K」「高品質」「詳細」を追加します

問題：画像内のテキストが読めない

解決策： テキストを引用符で囲んで明示し、「読みやすいテキスト」をリクエストします

問題：画像の事実が不正確

解決策： Google 検索を使ったグラウンディング生成を有効にします

問題：コストが高い

解決策： プロンプトを最適化し、リクエストをバッチ処理して、使用状況を監視します

---

まとめ

このスキルでは、画像生成の機能を一通り利用できます。

✅ テキストから画像を生成 ✅ ネイティブな 4K 対応 ✅ 画像内のテキスト描画 ✅ グラウンディング生成（事実確認済み） ✅ 会話形式の編集 ✅ カスタムアスペクト比 ✅ コスト最適化 ✅ 本番環境対応のサンプル

画像生成を始めますか？ まずは上記のタスク 1「テキストプロンプトから画像を生成」から始めてください！