gemini-imagegen

Gemini Image Generation

Google Gemini のネイティブなマルチモーダル画像生成機能を使って、画像を生成・編集します。

Model Selection

モデル ID	コードネーム	最適な用途	最大解像度
gemini-2.5-flash-image	Nano Banana	高速な下書き、大量生成、低レイテンシ	1K
gemini-3-pro-image-preview	Nano Banana Pro	スタジオ品質、テキスト描画、複雑なプロンプト	4K

デフォルトでは、速度やコストが懸念される場合を除き、gemini-3-pro-image-preview（Pro）を使用します。

Setup

# Install (once)
# pip install google-genai

from google import genai
import os, base64

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

GEMINI_API_KEY が設定されていない場合は、環境変数として設定するようユーザーに案内してください。 チャットでキーを貼り付けるようユーザーに求めないでください。

Text-to-Image

from google import genai
from google.genai import types
import os

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

response = client.models.generate_content(
    model="gemini-3-pro-image-preview",
    contents="A photorealistic cat on a rainbow sofa",
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"],
    ),
)

# Extract and save
for part in response.candidates[0].content.parts:
    if part.inline_data is not None:
        with open("output.png", "wb") as f:
            f.write(part.inline_data.data)
        break

Aspect Ratio

image_config で設定します：

config=types.GenerateContentConfig(
    response_modalities=["TEXT", "IMAGE"],
    image_config=types.ImageConfig(
        aspect_ratio="16:9",  # for slides / widescreen
    ),
)

対応する比率：1:1、2:3、3:2、3:4、4:3、4:5、5:4、9:16、16:9、21:9

よく使われる比率：

• スライド／プレゼンテーション → 16:9
• ソーシャルメディア／ポートレート → 9:16 または 4:5
• 正方形のサムネイル → 1:1

Image Editing (with reference image)

from google.genai import types
from pathlib import Path
import base64

ref_bytes = Path("input.jpg").read_bytes()

response = client.models.generate_content(
    model="gemini-3-pro-image-preview",
    contents=[
        types.Part(inline_data=types.Blob(mime_type="image/jpeg", data=base64.b64encode(ref_bytes).decode())),
        types.Part(text="Remove the background and replace with a sunset gradient"),
    ],
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"],
    ),
)

Pro は、複数画像の合成に最大 14 枚の参照画像を、キャラクター／アイデンティティの一貫性を保つために最大 5 枚の人物参照画像をサポートします。

Batch Generation (for slides)

複数の画像（例：スライドごとに 1 枚）を生成する場合は、順番にループ処理し、連番のファイル名で保存します：

import os, time
from google import genai
from google.genai import types

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

prompts = [...]  # list of prompt strings

for i, prompt in enumerate(prompts, 1):
    response = client.models.generate_content(
        model="gemini-3-pro-image-preview",
        contents=prompt,
        config=types.GenerateContentConfig(
            response_modalities=["TEXT", "IMAGE"],
            image_config=types.ImageConfig(aspect_ratio="16:9"),
        ),
    )
    for part in response.candidates[0].content.parts:
        if part.inline_data is not None:
            with open(f"slide_{i}.png", "wb") as f:
                f.write(part.inline_data.data)
            break
    time.sleep(1)  # rate limit courtesy

Error Handling

• 安全性フィルターによるブロック：モデルは、安全でないと判断したプロンプトを拒否することがあります。プロンプトの曖昧さを減らして（暴力的／成人向け／医療関連の画像表現を削除して）再試行してください。
• 空の応答：response.candidates が空、または画像パーツを含まない場合、プロンプトが曖昧すぎる可能性があります。具体的なシーンの詳細を追加して再試行してください。
• レート制限（429）：指数関数的な遅延を設定して再試行してください。デフォルト：time.sleep(2 ** attempt)。
• タイムアウト：適切なタイムアウトを設定してください。Pro モデルでは複雑なプロンプトに 10～30 秒かかる場合があります。

Prompt Best Practices

• 構成：シーン → 主題 → スタイル → 構図 → 制約
• アートスタイルを必ず指定します：「フラットなベクターイラスト」「水彩画」「3D レンダリング」「フォトリアルな写真」
• 照明と雰囲気を含めます：「柔らかな拡散光」「ドラマチックなリムライト」「ゴールデンアワー」
• 画像内のテキストについては、正確なテキストを引用し、フォントスタイルと配置を指定します
• スライド用のイラストでは、テキストを重ねるスペースを確保するため、「[side] 側にネガティブスペースを設ける」と追加します
• 英語以外のコンテンツでも、英語のプロンプトを使用します（生成品質が向上します）
• プロンプトは 500 語未満にし、具体的にしつつ冗長にならないようにします

Style Consistency for Multi-Image Sets

一連の画像（例：スライドデッキ）を生成する場合は、すべてのプロンプトの先頭に スタイルプレフィックス を追加します：

Style prefix: "flat vector illustration, soft pastel color palette, clean lines, minimal detail, 16:9 widescreen"

Slide 1 prompt: "{style_prefix}, a wide establishing shot of a modern office building at sunrise"
Slide 2 prompt: "{style_prefix}, a close-up of hands typing on a laptop keyboard"

これにより、生成されたすべての画像の視覚的な一貫性が保たれます。