米Googleが画像生成AI「Nano Banana 2.1」を公開した。Gemini 3シリーズに属し、画像生成や編集に加えて、テキストや画像を組み合わせた処理に対応する。
Nano Banana 2.1をGemini 3.6 Flash基盤で公開
2026年10月6日に公開されたモデルカードによると、Nano Banana 2.1はGemini 3シリーズに属し、Gemini 3.6 Flashを基盤としている。テキストや画像など複数種類の情報を扱うマルチモーダルモデルである。
入力では最大100万トークンのコンテキストウィンドウを利用でき、出力は画像が4Kトークン、テキストが64Kトークンとなる。Gemini App、Google AI Studio、Gemini API、Google Search AI Mode、Google Ads、Google Flow、Google Stitchなどを通じて提供される。
評価では、テキストから画像を生成する機能に加え、一般的な画像編集、キャラクター編集、オブジェクトや環境の編集、複数画像を扱う編集などを検証した。
思考機能を有効にした場合、テキストから画像を生成する人間の選好評価は1050±14となり、比較対象のGemini 3.1 Flash ImageやGemini 3 Pro Imageを上回った。
編集分野では、複数キャラクターの一貫性が1106±14、スタイライズが1062±20、複数参照画像の編集が1066±22となった。
Googleは、専門的な精度と制御を伴う画像生成・編集、複数回の素早い反復、ポスターや複雑な図表の文字生成、複数言語でのローカライズされた文字描画などを用途として挙げている。
一方、モデルカードでは、小さな文字や長い文章の描画が不鮮明になる場合や、キャラクターの一貫性が完全ではないことを課題として示している。
指示への部分的な追従、マスクやドゥードルを使った編集、空間認識などにも改善の余地があり、ハルシネーションや処理の遅延、タイムアウトが発生する可能性もあるという。
制作効率を高める一方、精度確認は欠かせない
画像生成と編集を一つのモデルで扱える点は、制作工程を効率化するうえでメリットになり得る。複数回の修正や異なる素材を組み合わせる作業では、生成と編集を繰り返しやすいことが実務上の利点につながる可能性がある。
また、複雑な図表やポスターの文字生成、多言語への対応は、広告や資料制作など幅広い用途との相性が良いと考えられる。
複数のGoogleサービスから利用できることで、既存のAI活用環境に組み込みやすい点も強みになりそうだ。
一方、生成画像をそのまま実務に投入するには慎重な判断が求められる。特に画像内に情報量の多い文字や複雑な構造を盛り込む用途では、生成品質の高さだけでは使い勝手を判断しにくい。
図表や資料では内容の正確さも問われるため、人による確認や修正の工程を組み込んでおくのが現実的な対応といえる。
今後は、編集の正確性や指示への追従性がどこまで改善されるかが焦点になる。Googleが示す課題への対応が進めば、画像制作を反復的に行う業務で活用できる場面はさらに広がるだろう。
関連記事：
Google、「Nano Banana 2 Lite」「Gemini Omni Flash」提供開始 画像から動画制作を一貫化
ChatGPT「Images 2.5」発表 生成を高速・高精度化
