gemini-image-gen

Chrome 経由の Gemini 画像生成

Chrome ブラウザーの自動化を使用して、Google Gemini のウェブインターフェース経由で画像を生成します。Nano Banana / Gemini 3 の画像生成モデルを基盤としています。

前提条件

• Claude-in-Chrome 拡張機能がインストールされ、有効になっている Chrome ブラウザー
• ユーザーが https://gemini.google.com で Google アカウントにログインしていること
• Chrome MCP ツールが利用可能であること（mcp__claude-in-chrome__*）

ツールの対応表

操作	MCP ツール
タブのコンテキストを取得	mcp__claude-in-chrome__tabs_context_mcp
新しいタブを作成	mcp__claude-in-chrome__tabs_create_mcp
URL に移動	mcp__claude-in-chrome__navigate
クリック、入力、スクリーンショット、ホバー、スクロール、待機	mcp__claude-in-chrome__computer
説明から要素を検索	mcp__claude-in-chrome__find
ページのアクセシビリティツリーを読み取る	mcp__claude-in-chrome__read_page
フォームの値を設定	mcp__claude-in-chrome__form_input
参照画像をアップロード	mcp__claude-in-chrome__upload_image
ページテキストを抽出	mcp__claude-in-chrome__get_page_text

ワークフロー

ステップ 1：ブラウザーセッションを初期化する

1. Call tabs_context_mcp to discover existing tabs
2. Call tabs_create_mcp to create a fresh tab
3. Navigate to https://gemini.google.com/app
4. Take a screenshot to verify the page loaded

ステップ 2：画像生成を有効にして新しいチャットを開始する

1. Use find to locate the "New chat" button (top-left area / sidebar), then click it with computer
2. Take a screenshot with computer to confirm the new chat is open
3. Use find to locate the "Tools" or settings area in the chat interface
4. Enable "Image generation" / "Bilderstellung" tool by clicking it
5. Take a screenshot to confirm image generation is enabled

ステップ 3：参照画像をアップロードする（提供されている場合）

ユーザーが参照画像を提供している場合（最大 14 枚まで対応）、プロンプトを送信する前にアップロードします。

1. Use find to locate the attachment/upload button in the chat input area
2. For each reference image:
   a. Click the upload button with computer
   b. Use upload_image to upload the file to the file input or drop zone
3. Supported formats: PNG, JPEG, WebP, HEIC, HEIF
4. Verify uploads appear in the chat input area via screenshot

ステップ 4：プロンプトを作成して送信する

以下の構成フレームワークを使ってプロンプトを作成し、入力して送信します。

プロンプトの構成式：

テキストから画像を生成する場合（参照画像なし）：

[Subject] + [Action] + [Location/Context] + [Composition] + [Style]

マルチモーダル生成の場合（参照画像あり）：

[Reference images] + [Relationship instruction] + [New scenario]

ユーザーが指定した場合、プロンプトに含める内容：

• 解像度： 希望する解像度を自然な形で追加します。例：「これを 4K 解像度で生成する」や「2K の画像を作成する……」
  • 利用可能な解像度：0.5K（512px）、1K、2K、4K
• アスペクト比： 「アスペクト比 16:9」のように比率を指定します
  • 利用可能な比率：1:1、3:2、2:3、3:4、4:3、4:5、5:4、9:16、16:9、21:9、1:4、4:1、1:8、8:1
• スタイル： プロンプトガイドにある写真・映画の表現を使います

送信：

1. Use find to locate the prompt input field (textarea / chat input)
2. Type the constructed prompt using computer action "type"
3. Press Enter or click the send button via computer to submit
4. Wait for the image to generate (use computer wait action, 15-30 seconds typical, up to 60s for 4K)
5. Take a screenshot with computer to verify the image was generated

ステップ 5：生成された画像をダウンロードする

1. Take a screenshot with computer to see the generated image
2. Hover over the generated image using computer action "hover" to reveal download controls
3. Look for "Download original size" / "Originalgröße herunterladen" button
   (appears top-right corner of the image on hover)
4. Click the download button with computer
5. Wait 3-5 seconds (computer wait action) for the download to complete
6. The file will be saved to the user's Downloads folder

ステップ 6：ダウンロードしたファイルを移動する

1. Find the most recently downloaded file in the Downloads folder:
   ls -t ~/Downloads/ | head -5
2. Move the file to the user's specified destination using Bash:
   mv ~/Downloads/filename.png "/desired/destination/filename.png"
3. Report the final file location to the user

プロンプトを強化するためのガイドライン

ユーザーから基本的なプロンプトが提供された場合、次の原則を使って強化します。

1. 具体的にする： 被写体、照明、構図について具体的な詳細を加えます
2. 肯定的な表現を使う： 望むものを描写し、望まないものは描写しません（「車がない」ではなく「空の道路」）
3. カメラをコントロールする： 「ローアングル」「俯瞰」「マクロレンズ」などの写真用語を使います
4. 力強い動詞で始める： 「作成する」「生成する」「デザインする」「撮影する」
5. 物語として描写する： キーワードの羅列ではなく、場面を描写します

照明用語： 3 点ソフトボックス、キアロスクーロ、ゴールデンアワーの逆光、レンブラント照明
カメラ用語： GoPro（歪みのある没入感）、Fujifilm（色彩表現）、マクロレンズ（細部）、広角（スケール感）
フィルム／色： 「1980 年代のカラーフィルム、やや粒子感がある」、「映画のような落ち着いたティール系の色調」、「彩度の高いエディトリアル」
素材感： テクスチャを指定します。「ジャケット」だけではなく「ネイビーブルーのツイード」、「鎧」だけではなく「銀箔の彫刻が施された華麗なエルフの板金鎧」のようにします

画像内にテキストを描画する場合：

• テキストを引用符で囲みます：「Happy Birthday」
• フォントを指定します：「太字の白いサンセリフフォント」や「Century Gothic 12px」
• 10 以上の言語による多言語テキストに対応しています

解像度とアスペクト比のクイックリファレンス

解像度	ピクセル数	最適な用途
0.5K	約512px	簡単な下書き、サムネイル
1K	約1024px	Web、ソーシャルメディア
2K	約2048px	高品質な印刷、プレゼンテーション
4K	約4096px	大判印刷、プロフェッショナル用途

アスペクト比	用途
1:1	ソーシャルメディアへの投稿、プロフィール画像
16:9	ワイドスクリーン、YouTube のサムネイル、プレゼンテーション
9:16	スマートフォンの壁紙、Instagram/TikTok のストーリーズ
3:2	写真撮影の標準
4:3	クラシックなディスプレイ比率
21:9	ウルトラワイド、シネマティック
4:5	Instagram の縦向き画像
1:4 / 4:1	バナー、パノラマ
1:8 / 8:1	極端に横長のバナー

プロンプト作成フレームワーク

5 つのフレームワーク（画像生成、画像編集、リアルタイム Web 検索、テキスト描画、クリエイティブディレクション）すべてを網羅した詳細なプロンプト作成方法については、同梱のリファレンスをご覧ください。

リファレンス： references/prompting-guide.md -- 各フレームワークの例を含む、包括的なプロンプト作成ガイド

画像編集（追加プロンプト）

画像の生成後、同じチャット内でユーザーが編集を依頼できます。

• インペインティング： 「背景から人物を削除して」（テキストによるセマンティックマスキング）
• スタイル変換： 「これを水彩画のスタイルで再現して」
• 要素の追加： 「シーンに赤い傘を追加して」
• アップスケーリング： 「これを 4K にアップスケールして」

保持する内容を明確にしてください。「ほかはすべてまったく同じにして、変更するのは……だけ」

エラー処理

• ページが読み込まれない場合：ナビゲーションを再試行し、インターネット接続を確認してください
• 画像生成に失敗した場合：プロンプトを簡潔にし、複雑な指示を削除してください
• ダウンロードボタンが表示されない場合：スクロールするか、画像にカーソルをより正確に合わせてください
• 10 秒経ってもファイルが Downloads にない場合：ls -t ~/Downloads/ | head -5 で確認してください
• tools/image generation の切り替えが見つからない場合：スクリーンショットを撮り、代わりの UI 操作経路を探してください

注意事項

• Gemini が生成した画像には、すべて C2PA Content Credentials と SynthID ウォーターマークが含まれます
• モデルの知識カットオフは 2025 年 1 月ですが、リアルタイム Web 検索を利用できます
• 最大入力：131,072 トークン（Flash）／65,536 トークン（Pro）
• 最大出力：両モデルとも 32,768 トークン
• 参照用にサポートされている入力ファイル形式：PNG、JPEG、WebP、HEIC、HEIF
• PDF とテキストファイルも入力としてサポートされています（最大 50MB）