image-generation

Gemini 3.1 Flash による画像生成

Google の Gemini 3.1 Flash Image Preview モデルを使って画像を生成・編集するための基礎スキルです。すべてのグラフィックデザインスキルが、生成パイプラインでこのスキルを参照します。

---

前提条件

pip install google-genai Pillow
export GEMINI_API_KEY="your-api-key"

---

ステップ 0：ブランドコンテキストを読み込む

.agents/design-context.md が存在する場合は読み込み、16 進カラー、スタイルのアーキタイプ、タイポグラフィの説明をプロンプトに取り込みます。存在しない場合は、design-context のデフォルトを使い、出力がまだブランドに合わせられていないことをユーザーに伝えます。ユーザーがロゴや製品写真を持っている場合は、説明するのではなく --image の参照画像として渡します。モデルは説明よりも参照画像をはるかに忠実に再現します。

---

ステップ 1：生成モードを選ぶ

モード	使用する場面	入力
テキストから画像	ゼロから作成する場合 — ポスター、グラフィック、イラスト	テキストプロンプトのみ
画像編集	製品写真、モックアップ、スタイル変換、要素の追加	画像 + テキストプロンプト
複数ターン	反復的な調整、バリエーションの検討	チャットセッション
バッチ	大量のアセット生成（ソーシャルメディア用セット、広告のバリエーション）	Batch API 経由の複数プロンプト

---

ステップ 2：プロンプトを作成する

プロンプトの構成

すべてのプロンプトは、次の階層に従ってください。

[FORMAT] + [SUBJECT] + [STYLE] + [COMPOSITION] + [COLOR] + [TYPOGRAPHY] + [MOOD] + [NEGATIVE]

例 — 製品のソーシャルメディア投稿：

高級ヘッドフォンの発売を告知する、正方形のソーシャルメディア用グラフィックを作成します。 ヘッドフォンを中央に配置し、濃紺（#0d1b2a）からエレクトリックブルー（#00b4d8）への斜めのグラデーション背景にします。 太字の白いサンセリフ体で「HEAR EVERYTHING」と上部 3 分の 1 に大きく表示します。 その下に、小さなコーラル色（#ff6b6b）のサブテキスト「Available March 20」を配置します。 背景に、不透明度 10% の控えめな幾何学模様の三角形を加えます。 すっきりとした、モダンで高級感のある印象にします。枠線やクリップアートは使いません。

主な原則

1. キーワードではなく、シーンを描写します — 「ドラマチックなサイドライトが当たる反射面の上に浮かぶスニーカー」は、「スニーカー、クール、モダン」より効果的です
2. 色を具体的に指定します — デザインコンテキストの 16 進カラーコードを必ず含めます
3. 空間的なレイアウトを描写します — 「見出しは上部 3 分の 1、製品は中央、CTA は右下」
4. スタイルを指定します — 「フラットベクター」「3D レンダリング」「水彩画」「フォトリアル」「ミニマリストなスイスデザイン」
5. タイポグラフィの指示を含めます — フォントのスタイル、サイズの関係、色、位置
6. 除外するものを明記します — 「ストックフォトの透かし、ベベル効果、クリップアートは使わない」

スタイル別のプロンプトパターン

スタイル	プロンプトへの追加内容
ミニマリスト	「余白を広く取り、アクセントカラーは 1 色、すっきりしたサンセリフ体、装飾要素なし」
大胆／鮮やか	「彩度の高い色、大きく印象的なタイポグラフィ、幾何学図形、高いコントラスト」
高級感	「暗い背景、ゴールドまたはシャンパンカラーのアクセント、セリフ体、控えめなテクスチャ、エレガント」
遊び心のあるスタイル	「明るい色使い、丸みのある形、手描き風、カジュアルな手書きフォント」
企業向け	「整然としたグリッド、プロフェッショナル、青系の色調、明確な階層、バランスの取れた構図」
レトロ	「網点、彩度を抑えたヴィンテージカラー、セリフ体の見出し、フィルムグレインのテクスチャ」
ブルータリスト	「未加工の印象、白黒の高いコントラスト、型破りなレイアウト、特大の文字」

---

ステップ 3：生成する

テキストから画像

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents="[your structured prompt]",
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"],
        image_config=types.ImageConfig(aspect_ratio="1:1", image_size="2K"),
    ),
)

# A response can contain text parts and image parts in any order —
# never assume parts[0] is the image.
def save_first_image(response, path):
    for part in response.parts or []:
        if part.inline_data is not None:
            part.as_image().save(path)
            return True
    print("No image returned:", response.text)  # usually a refusal or clarifying question
    return False

save_first_image(response, "output.png")

画像編集（製品画像 → グラフィック）

基本的なワークフロー：ユーザーから製品写真を受け取り、その写真を使った完成度の高いグラフィックを生成します。

from PIL import Image

product = Image.open("product.png")

response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[
        product,
        "Transform this product photo into a premium social media graphic. "
        "Place the product on a gradient background (#1a1a2e to #16213e). "
        "Add bold white headline 'JUST DROPPED' above. "
        "Add price '$299' in coral (#e94560) below. "
        "Modern, clean, high-end feel. Square format."
    ],
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"],
    ),
)

複数ターンでの調整

chat = client.chats.create(
    model="gemini-3.1-flash-image-preview",
    config=types.GenerateContentConfig(response_modalities=["TEXT", "IMAGE"]),
)

# Generate
r1 = chat.send_message([product_image, "Create a launch graphic for this product..."])
save_first_image(r1, "v1.png")

# Refine colors — change ONE thing per turn and say what to keep
r2 = chat.send_message("Keep the layout and text exactly as is. Make the background warmer, shift to sunset tones")
save_first_image(r2, "v2.png")

# Refine text
r3 = chat.send_message("Keep everything else. Make the headline larger and add a subtle drop shadow")
save_first_image(r3, "v3.png")

CLI ツール

このスキルのスクリプトは scripts/ に格納されています。以下の <image-generation> は、このスキルのディレクトリを指します（スキル読み込み時に表示されるベースディレクトリ。リポジトリのクローンでは skills/image-generation）。出力先がユーザーのプロジェクトになるよう、ユーザーのプロジェクトから実行してください。

# Text-to-image
python <image-generation>/scripts/gemini-generate.py --prompt "..." --output graphic.png

# Product image + prompt
python <image-generation>/scripts/gemini-generate.py --image product.png --prompt "..." --output graphic.png

# Multiple reference images (product + logo + style reference), up to 14
python <image-generation>/scripts/gemini-generate.py --image product.png --image logo.png --prompt "..." --output graphic.png

# Aspect ratio and resolution
python <image-generation>/scripts/gemini-generate.py --prompt "..." --aspect-ratio 4:5 --size 2K --output feed.png

# Exact pixel size: generate at the nearest supported ratio, then center-crop + resize
python <image-generation>/scripts/gemini-generate.py --prompt "..." --aspect-ratio 8:1 --resize 728x90 --output leaderboard.png

# Long prompts: keep them in a file
python <image-generation>/scripts/gemini-generate.py --prompt-file prompt.txt --aspect-ratio 16:9 --output hero.png

# Multi-turn (--then is repeatable; outputs default to v1_2.png, v1_3.png ...)
python <image-generation>/scripts/gemini-generate.py --prompt "Create a poster..." --output v1.png \
    --then "Change to dark mode" --then "Make the date larger"

画像が返されない場合（拒否、安全性によるブロック、またはモデルがテキストのみで回答した場合）、スクリプトはゼロ以外の終了コードで終了し、モデルのテキストを出力します。内容を確認し、プロンプトを調整して再試行してください。

1つのマスター画像から複数のサイズを書き出す

# Social set, ad set, or named presets; --focus keeps the subject in frame (x,y as 0-1)
python <image-generation>/scripts/export-sizes.py master.png --group social --out exports/
python <image-generation>/scripts/export-sizes.py master.png --presets og,youtube-thumbnail --focus 0.5,0.4 --out exports/
python <image-generation>/scripts/export-sizes.py master.png --size 300x250 --size 728x90 --out ads/
python <image-generation>/scripts/export-sizes.py --list   # all presets and groups

切り抜き後にマスター画像の半分未満しか残らない場合や、拡大が必要な場合に警告が表示されます。8:1 や 1:4 などの極端な比率は、代わりに該当する --aspect-ratio を指定して個別に生成してください。重要な部分が切り取られていないことを確認するため、書き出した画像をいくつか開いてください。

---

ステップ 4：アスペクト比

対応している比率：1:1, 2:3, 3:2, 3:4, 4:3, 4:5, 5:4, 9:16, 16:9, 21:9, 1:4, 4:1, 1:8, 8:1。それ以外（例：300x250、1200x628）は、最も近い比率で生成してから --resize で切り抜く必要があります。

用途	比率	最終サイズ	備考
Instagram フィード（縦長）	4:5	1080x1350	フィードで最も広い表示領域を確保できます。グリッドのプレビューでは中央が 3:4 に切り抜かれます
Instagram フィード（正方形）	1:1	1080x1080	テキストは端から約 100px 離してください
Instagram / TikTok ストーリー、リール	9:16	1080x1920	テキストは上部約 250px と下部約 340px を避けてください（UI が重なります）
X / Twitter 投稿	16:9	1600x900	小さなプレビューでもテキストが読めるようにしてください
LinkedIn 投稿	1:1 または 4:5	1200x1200 / 1080x1350	リンクプレビューは約 1.91:1（1200x627）です。16:9 で生成してから --resize を使用してください
Facebook / Open Graph リンク画像	16:9 → 切り抜き	1200x630	16:9 で生成し、--resize 1200x630 を指定してください
Pinterest ピン	2:3	1000x1500	縦長で、スクロール中に目を引くデザインです
YouTube サムネイル	16:9	1280x720	コントラストを高くし、168x94px でも読めるようにしてください。右下（タイムスタンプ）を避けてください
Web バナー（リーダーボード）	8:1	728x90	テキストは最小限にし、強い CTA を配置してください
ミディアムレクタングル広告	5:4 → 切り抜き	300x250	--resize 300x250
ポスター / チラシ	2:3 または 3:4	印刷サイズ	塗り足しと DPI については poster-design を参照してください。印刷には 4K が適しています

---

ステップ 5：出力を確認する

実際に表示を確認していない画像は、決して納品しないでください。生成されたファイルをすべて開き（例：PNG で Read ツールを使用）、実寸と実際に表示されるサイズ（サムネイルやフィードカードなど）の両方で確認してください。

テキストを正しく仕上げる

最もよくある失敗はテキストです。エラーを減らすには、次の点に注意してください。

• プロンプトでは、正確な文言を二重引用符で囲みます：見出し "HEAR EVERYTHING"
• 描画するテキストは短くします。見出し、サブライン、CTA などにとどめてください。長い文章（段落、法的表記、変更される価格など）は画像に含めず、HTML/CSS のオーバーレイに移します。
• 珍しい単語やブランド名はスペルを明記し、「記載どおりに正確に綴る」と指示します。
• 単語のスペルが間違っていた場合は、その単語だけを引用して、次のターンで修正します："EVERYTHNG" を "EVERYTHING" に変更してください。それ以外は何も変更しないでください。
• テキストの修正に 2 回失敗したら、テキストなしで画像を生成し、コードのオーバーレイでテキストを追加します（graphic-design を参照）。

生成画像を納品する前に、次の項目を確認してください。

• テキストが読みやすく、スペルが正しい（Gemini はテキストを描画できますが、必ず確認してください）
• 色がブランドの文脈に合っている（プロンプトで 16 進コードを指定）
• 構図に明確な視覚的階層がある（焦点は 1 つ）
• テキストと背景のコントラストが十分である
• 不要なアーティファクトや歪みがない
• アスペクト比が用途とするプラットフォームに合っている
• 商品画像を使用している場合、歪みなく自然に組み込まれている
• 全体の美しさが指定されたスタイルに合っている

確認項目に問題があれば、複数ターンで調整し、具体的な問題を修正してください。1 ターンにつき変更は 1 つとし、維持すべき点も伝えます。確認した項目と妥協点（例：「モデルがスペルを間違え続けたため、テキストをオーバーレイとして追加しました」）をユーザーに報告してください。

また、Gemini の出力には、AI 生成コンテンツとして識別できる不可視の SynthID ウォーターマークが付与されることも伝えてください。

---

参考：モデルの機能

機能	Gemini 3.1 Flash
最大入力画像数	14（オブジェクト 10 個 + キャラクター 4 人）
出力解像度	512、1K、2K、4K
アスペクト比	1:1、2:3、3:2、3:4、4:3、4:5、5:4、9:16、16:9、21:9、1:4、4:1、1:8、8:1
テキスト描画	対応（プロンプトで明示的に指定）
思考モード	デフォルトでオン。複雑な構図の改善に役立ちます
Batch API	大量生成に対応
ウォーターマーク	SynthID が自動的に付与されます

---

他のスキルとの連携

このスキルは、すべてのグラフィックデザインスキルから参照されます。

• graphic-design → 主要な生成パイプライン
• social-media-graphic → プラットフォーム固有の生成
• poster-design → ポスター／チラシの生成
• thumbnail-design → サムネイルの生成
• ad-creative-design → 広告バリエーションの生成
• product-mockup → 商品画像の生成
• banner-design → バナーの生成
• infographic → インフォグラフィックの生成

各スキルでは、この基盤となる生成ワークフローに、分野固有のプロンプトパターンを追加します。