scenario-gemini-image

Scenario Gemini Image

概要

Scenario の Google 画像モデルファミリーである Gemini（Nano Banana 系列）は、必須の prompt を通じて画像を生成・編集します。編集では参照画像に対する指示を使い、マスクを塗ることはありません。search でモデルを確認し、model_schema_get を仕様として扱ってください。創作関連のフィールドは共通ですが、それ以外のほとんどの項目はモデルごとに異なります。

接続方法と基本的な手順については、このリポジトリの scenario スキルをご覧ください。モデルに依存しない画像作業については、scenario-image スキルをご覧ください。Gemini の動画は scenario-gemini-omni スキルの対象で、Gemini の音声モデルはオーディオの領域です。ここに記載されている関連スキルが利用可能なスキルに見当たらない場合は、ユーザーにインストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人実行の場合は、ツールスキーマに基づいて進め、不足しているスキルを明記してください。

クイックリファレンス

執筆時点でのモデルは3種類です（モデルごとの仕様は変わるため、スキーマを確認してください）。

モデル	解像度	特長
3.1 Flash	512～4K、デフォルトは1K	動画入力、4段階のthinkingLevel、Search grounding
3.0 Pro	1K～4K、デフォルトは2K	複雑な指示による編集や、複数画像の融合に対応
3.1 Lite	1K固定、resolutionなし	最速かつ最安。thinkingLevelはMINIMALまたはHIGH

共通フィールドは、referenceImages（最大14枚。1枚の場合も配列）、numOutputs（1つのプロンプトから1～4種類のバリエーションを生成）、aspectRatio（21:9～9:16とデフォルトのauto。配置先で比率が指定される場合は固定してください）、およそ250000文字までのプロンプトです。そのため、詳細なブリーフもそのまま入力できます。Flash のみvideoを受け付けます（クリップ1本、約15 MB、videoFpsでサンプリング。デフォルトは1 fps）。映像から静止画を抽出できます。videoとreferenceImagesは同時に指定できません。useGoogleSearch（Flash と Pro）は最新のウェブ情報を生成に反映します。また、cost_impactと記されたすべてのフィールドと同様に、料金が変わります。マスク、シード、ネガティブプロンプトのフィールドはありません。部分編集は文章で指示し、再実行では再現ではなくバリエーションが生成されます。

タグではなく指示を書く

被写体、設定、スタイルを平易な文章で説明してください。編集では、変更点と変更後も維持する要素を明記します。「靴の形、色、ブランド表示は変えず、日当たりのよいデッキに置く」のように記述してください。参照画像が複数ある場合は、順番に役割を割り当てます（「画像1はキャラクターの顔、画像2は衣装、画像3は背景のスタイル」）。役割を指定しないと、それぞれの参照画像の内容が混ざってしまいます。ポーズ、照明、シーンを変える場合でも維持する特徴を明記し、同一性を保つよう指定してください。画像内のテキストは正確に引用し、各テキストブロックの配置場所も指定します（「タイトルは『LUMEN』と表示し、上部3分の1に配置」）。引用符で指定しない文言は、描画する文字ではなく、表現すべきテーマとして扱われます。特定の単語が何度生成し直しても崩れる場合は、デザイン全体を再生成しないでください。正しい単語をreferenceImagesに渡し、その単語を1文字ずつ指定します（「タイトルは『LUMEN』と表示し、綴りはL、U、M、E、N」）。ほかの要素は変更しないでください。Flash と Lite のthinkingLevelはデフォルトで慎重な設定のHIGHです。単純な実行で速度を優先する場合はMINIMALにしてください。

バッチ処理の前にモデルごとの料金を確認する

料金差は解像度よりもモデル間で大きくなります。執筆時点では、同じ1Kの編集でFlashはLiteの約2倍の料金がかかり、Proのデフォルトである2Kではさらに約2倍になりました。一方、Liteは処理時間が半分未満でした。バッチ処理の前に、2つのモデルで同じパラメーターを指定してdry_run=trueを実行し、resolution、numOutputs、参照画像、またはuseGoogleSearchを変更するたびに、料金を見積もり直してください。

作業例：アイデンティティを維持したまま製品をスタイル変更する

1. target="models"、query="gemini"、public=true を指定して search します。動画と音声のメンバーも表示されるため、画像対応メンバーを選びます。例：model_google-gemini-3-1-flash（執筆時点で有効な検索結果です。セッションごとに再検索してください）。
2. その ID を指定して model_schema_get を実行し、フィールド、上限、デフォルト値を確認します。
3. 製品写真とスタイルの参考画像（scenario スキルを参照）を upload_asset して、アセット ID を取得します。
4. コストを見積もるため、model_run にその model_id、dry_run=true、および parameters={"prompt": "Image 1 is the product: keep its shape, label, and colors exactly. Image 2 sets the mood: warm sunset palette, soft shadows. Place the product on a marble counter in natural window light.", "referenceImages": ["asset_a", "asset_b"], "aspectRatio": "4:5", "resolution": "2K", "numOutputs": 2} を指定します。
5. wait=false を指定して model_run を再実行し、返されたジョブ ID を使って jobs_wait を実行します。タイムアウトした場合は pending_job_ids を指定して再呼び出しし、2 回目の model_run は決して実行しないでください。
6. asset_display で 2 つのバリエーションを確認し、asset_download で選んだ画像を保存します。

よくある間違い

• Flash で video と referenceImages を同時に渡す：これらは併用できません。
• seed や mask を使おうとする：どのメンバーにも存在しません。編集内容を説明し、numOutputs をまとめて指定して候補から選んでください。
• メンバー間でフィールドを引き継ぐ：Lite では resolution、Pro では thinkingLevel、Flash 以外では video が使えません。
• キーワードをタグのように並べたプロンプトを使う：カンマ区切りのリストは効果が低いため、デザイナーに伝えるような文章を書いてください。
• 役割を指定せず複数の参考画像を渡す：出力がそれらを混ぜてしまいます。画像の位置ごとに何の画像かを伝えてください。
• スタイル目的で useGoogleSearch を有効にする：コストが上がるうえ、事実に基づく現実世界の対象の場合にしか効果がありません。