Nano Banana プロンプトガイド：タグではなくシーンを描写する

Nano Banana のプロンプトとは、Googleの画像モデルである Nano Banana 2、Nano Banana Pro、そして低価格な Lite ティアが画像に変換するための、テキストで書かれたシーンの描写です。これらのモデルは Gemini をベースに構築されているため、プロンプトを単なるキーワードの羅列（バッグ・オブ・ワード）ではなく、言語として読み取ります。この事実ひとつで、プロンプトの書き方は大きく変わります。Googleの画像生成ドキュメントによると、詳細で叙述的な描写は、カンマで区切られたタグのリストよりも一貫して優れた結果をもたらします。私たち自身が日々行っている生成結果も、この事実を裏付けています。

手っ取り早くテンプレートだけを知りたい方のために、要約すると次のようになります。「A photorealistic [shot type] of [subject] in [setting]. [Lighting description]. Shot from [camera angle] with [lens type].」 完全な文章で書きましょう。プロの写真家のように、光源やレンズの固有名詞を指定します。この習慣を身につけるだけで、ありふれたAI生成画像と、実際に公開できるレベルの画像との間にあるギャップの大部分を埋めることができます。

この記事は、画像生成における Veo 3.1 プロンプトガイド の姉妹版です。哲学は同じですが、使用する語彙が異なります。動画プロンプトが動きやカメラワークを中心に展開するのに対し、画像プロンプトは光、レンズ、構図を中心に展開します。以下に示すデモはすべて、表示されているプロンプトをそのまま使用し、再生成（リロール）なしの一発勝負で BananaBanana にて生成されたものです。

なぜキーワードリストよりも叙述的なプロンプトの方が効果的なのか？

従来の画像拡散モデルでのプロンプト作成の癖は、なかなか抜けないものです。もしあなたが Stable Diffusion や Midjourney でプロンプトの書き方を学んだなら、おそらく「perfume bottle, product photo, 8k, dramatic lighting, masterpiece」といった書き方をしているでしょう。Nano Banana モデルもこれを解析することはできますが、これではモデル最大の強み、すなわち「物自体だけでなく、物同士の関係性を理解する能力」を無駄にしてしまっています。

「A barista laughing at something off-frame while steam rises from the espresso machine behind her（背後のエスプレッソマシーンから湯気が立ち上る中、画面外の何かに向かって笑っているバリスタ）」というのは、1つのシーンです。これをキーワード版（「barista, laughing, steam, espresso machine」）にしてしまうと、誰が何をしているのか、湯気がどこにあるのか、そしてこの構図が持つ感情的なトーンが何であるのかが失われてしまいます。モデルはそれらの欠落したギャップをデフォルト（初期値）で埋めようとしますが、そのデフォルトこそが、AI生成画像をいかにも「AIが描いた画像」に見せてしまう原因なのです。

効果的に機能する Nano Banana のプロンプトには、通常5つか6つの要素が含まれています。

毎回これら6つの要素すべてが必要なわけではありません。しかし、省略した要素があるたびに、その決定権をモデルに委ねることになります。

フォトリアリスティックなプロンプト：写真家のように書く

リアルな写真において、最も効果的な語彙は動画と同様に「カメラ用語」です。Googleのドキュメントに記載されている先述のテンプレートは、写真家が撮影の指示書（ブリーフ）を作成する方法（ショットの種類、被写体、環境、光、アングル、レンズ）と直接対応しています。

実際の仕上がりの違いを見てみましょう。以下の2つの画像は、どちらも Nano Banana 2 を使用して 1K 解像度で生成したもので、料金はそれぞれ $0.06 です。まず、誰もが初日に書くような単純なプロンプト、「A perfume bottle on a table」から見てみましょう。

正直に言って、これでも十分に綺麗です。モデルは明るいライフスタイルシーン、窓からの光、花、ジュエリー皿などを自動的に選択しており、ストックフォトとしては申し分ありません。しかし、これらの決定はすべてあなたではなくモデルが行ったものであり、次回実行時にはまったく異なる画像が生成されます。では、同じ被写体で要素をしっかりと埋めてみましょう。「A photorealistic close-up of an amber glass perfume bottle standing on wet black slate, fine water droplets across the glass. Warm golden backlight from the right, a faint cool rim light from the left. Shot from a low angle with an 85mm macro lens, shallow depth of field, dark blurred background」：

同じモデル、同じ価格、同じ4秒のレンダリング時間です。水滴、2色のライト、そしてローアングルは、すべて偶然の産物ではなくプロンプトに記述された言葉によるものです。ここで、クローズアップして注目すべき詳細が1つあります。それは「ラベル」です。私はラベルを要求していませんが、モデルが自発的に作成し、そしてそのテキストのスペルを間違えました（「EAU DE PARFUIM」）。指示していないテキストのレンダリングは依然として Nano Banana 2 の弱点ですが、これは次のセクションへの格好の導入となります。

ライティングの名称は確実に読み取られるため、覚えておく価値があります：golden hour、overcast softbox、three-point studio lighting、hard noon sun、neon spill、candlelight。曖昧な雰囲気ワード（「beautiful」や「dramatic」など）は、ほとんど効果がありません。被写体が人ではなく製品である場合は、プロダクトフォトグラフィーガイドでこの同じ語彙をさらに掘り下げています。私の経験では、レンズの選択もほぼ同等に重要です。「85mm macro」と「wide-angle 24mm」では、目に見えて異なる形状が生成されますが、これこそがタグ形式のプロンプトでは決して得られないコントロール性なのです。

Nano Banana Pro から読み取り可能なテキストを取得する方法

テキストの描画こそが、Nano Banana Pro が存在する理由です。ドキュメントでも明確に述べられています。タイポグラフィを正確に行う必要があるプロフェッショナルなアセットには、Pro（gemini-3-pro-image）を使用してください。Nano Banana 2 は1つか2つの短い単語を処理できますが、Pro はレイアウト全体を処理できます。

ドキュメントに記載されているテンプレートは次のとおりです。「Create a [image type] for [brand] with the text '[exact text]' in a [font style]. The design should be [style], with a [color scheme].」 成功率を高めるための2つの習慣があります。正確なテキストを引用符（クォーテーション）で囲むこと、そして特定のフォント名を指定するのではなく（モデルが知らない可能性があるため）、「a chunky rounded sans-serif（肉厚で丸みのあるサンセリフ）」や「a thin elegant serif（細くエレガントなセリフ）」のように会話調でフォントのスタイルを表現することです。

このポスターは、Nano Banana Pro を使用し、以下のプロンプトで生成されました。「Create a retro poster for a coffee stand called Banana Brew with the text 'BANANA BREW' in a chunky rounded sans-serif across the top and the slogan 'cold roast, warm people' in a small handwritten script underneath, flat illustration of a single banana-yellow espresso cup in the center, cream background, amber and dark-ink color scheme」：

すべての文字が一発で正しく配置されました。公平に見て、数行を超えるとこの正確性は保証されなくなります。文字が密集したメニュー形式のレイアウトなどでは、Pro であっても時折文字が抜けたり重複したりすることがあるため、約10ワードを超えるテキストを含む画像を出力する前には、必ず校正を行ってください。

プロンプトの編集：1箇所だけ変更し、残りはそのまま維持する

Nano Banana モデルは、画像の生成だけでなく編集も同様に得意ですが、そのプロンプトのパターンは多くの人がつまづきやすいほど独特です。よくある間違いは、シーン全体を再度説明してしまうことです。変更したい箇所だけを記述してください。

Googleのドキュメントではこれを「セマンティックマスキング」と呼んでおり、そのテンプレートはそのままコピーして使う価値があります。「Using the provided image, change only the [specific element] to [new element]. Keep everything else exactly the same, preserving the original style, lighting, and composition.」 この最後の文章が非常に重要な役割を果たします。これがないと、編集時に色調がずれたり、フレーム全体の構図が再構成されてしまったりする傾向があります。

同じロジックが、反復的なワークフローを支えています。まず生成し、それを見てから、一度に1つの調整を要求します：「make the light warmer」、「replace the mug with a glass」、「same scene at dusk」。一度に巨大な修正プロンプトを投げるよりも、このように小さなステップを重ねる方が、気に入った要素をより多く残すことができます。一見、この方法の方が遅く感じられるかもしれません。しかし、過剰な修正によってせっかくの優れたフレームを台無しにすることがなくなるため、通常はこちらの方が早く目的を達成できます。

さらに、これらに加えて参照（リファレンス）画像を使用することもできます。Gemini APIドキュメントによると、1回のリクエストにつき、Nano Banana 2 は最大4つのキャラクター参照と10のオブジェクト参照を受け入れ、Pro は5つのキャラクター参照と6つのオブジェクト参照を受け入れます。シリーズ全体で同じ顔を一貫して維持しようとする試みは、独自のトリックを伴う別の専門技術であり、これについては キャラクターの一貫性ガイド にまとめています。

ネガティブプロンプト、アスペクト比、および画像のコスト

他のツールを使ってきた人々が驚く事実があります。それは、Nano Banana API にはネガティブプロンプトのパラメータが存在しないということです。画像用には Veo の negativePrompt フィールドのようなものはなく、ドキュメントでも一切言及されていません。その実用的な代替策は「肯定的な表現（ポジティブフレーミング）」です。「no cars」と書くのではなく、「an empty, deserted street」と書きます。「no text」と書くのではなく、不要なテキストが入り込む余地がないほど完全に構図を描写します。「存在しないこと」を「存在するもの」として表現することは、言葉遊びのように聞こえるかもしれませんが、測定可能なほど明確に効果があります。

アスペクト比は非常に豊富で、正方形の 1:1 から 3:2、4:5、9:16、16:9、さらにはシネマティックな 21:9 まで、10個のオプションが用意されています。解像度は 512px、1K、2K、4K に対応していますが、Lite ガイドで説明した通り、Nano Banana 2 Lite は 1K 出力のみに制限されているという注意点があります。

現在の BananaBanana の画像1枚あたりの価格は以下の通りです：

私のデフォルトのワークフローは、動画で行うことと同じです。すなわち、安価なティアでドラフトを作成し、高価なティアで完成品を出力します。Lite または 1K の Nano Banana 2 で構図が決まるまでプロンプトを繰り返し改善（イテレート）し、最終的なプロンプトを 2K の Pro で一度だけ再実行します。これは 1K と同じ $0.11 であり、この料金表の中で密かなお買い得オプションとなっています。プロンプトの品質は、ティアをまたいでもほぼ完璧に引き継がれます。新規アカウントには $0.20 が無料で付与されるため、Lite での最初の3回のドラフト作成をカバーできます。すべての価格表は 料金ページ に掲載されています。

FAQ

Nano Banana に最適なプロンプトの構成はどのようなものですか？

被写体、背景、スタイル、ライティング、カメラアングル、レンズをカバーする叙述的な文章のセットです：「A photorealistic [shot type] of [subject] in [setting]. [Lighting]. Shot from [angle] with [lens].」 モデルは Gemini をベースにしており、名詞だけでなく関係性を解析するため、キーワードの羅列よりも完全な文章の方が優れた結果をもたらします。

Nano Banana 2 はネガティブプロンプトをサポートしていますか？

いいえ。Gemini の画像 API にはネガティブプロンプトのパラメータはありません。代わりに「肯定的な表現（ポジティブフレーミング）」を使用してください。欲しくないもの（「no cars」など）を描写するのではなく、望むシーン（「an empty street at dawn」など）を記述します。

Nano Banana でテキストを正しく描画するにはどうすればよいですか？

Nano Banana Pro を使用し、正確な語句を引用符で囲み、フォントのスタイルを「a chunky rounded sans-serif」のように会話調で表現します。1枚の画像につき約10語未満に抑えてください。それ以上の長いレイアウトでは、まだ校正が必要です。

Nano Banana 2 と Pro でプロンプトの書き方を変えるべきですか？

構成はまったく同じです。Pro はテキストの描画、複雑な複数要素のレイアウト、および多くの制約を伴う指示においてその価格に見合う価値を発揮します。一方、Nano Banana 2 は日常的なフォトリアリズムやイラストを約半分のコストで処理できます。

Nano Banana の画像1枚の価格はいくらですか？

BananaBanana では、$0.03（1K の Lite または 512px の Nano Banana 2）から $0.20（4K の Pro）までとなっています。最終出力に最適なのは 2K の Pro（$0.11）で、1K の Pro と同価格です。