BananaBanana完全ガイド：13のAIモデル・料金・機能

BananaBananaは、画像・動画・音声をAIで生成できる従量課金制のプラットフォームです。4社の13モデルを、ひとつのUSD残高で使い分けられます。内訳は画像モデルが6つ（Nano Banana の3ティア、GPT Image 2.5 の2ティア、Qwen Image 3.0 Pro）、動画モデルが7つ（Veo 3.1 の3ティア、Gemini Omni Flash の2世代、Wan 3.0、Grok Imagine Video 1.5）、そして音声用の Gemini 3.1 Flash TTS。サブスクリプションもカードの登録もありません。暗号資産かカードで残高をチャージして、生成した結果の分だけ支払います。

ほかのサービスと比べている方向けに、要点だけ先にまとめます。

• 画像は1枚$0.03〜$0.20。モデルと解像度（512px〜4K）で変わります。
• 無音の動画は、Veo 3.1 Lite の4秒・720pクリップで$0.10から。
• 音声付きの動画は Veo Lite で$0.18から。Wan 3.0 なら4秒・480pで$0.20、しかも音声は無料です。Gemini Omni Flash は秒単位の課金で、360pの$0.03から4Kの$0.30まで。
• 音声合成は200文字ごとに$0.01。30種類の声、話者は1人または2人。
• チャージ：20種類以上の暗号資産とステーブルコインなら$1から、カード・PayPal・SEPAなら$20から。サブスクではないので、解約するものもありません。
• コントロール：シード値、ネガティブプロンプト、参照画像と参照クリップ、開始・終了フレーム、クリップの延長。APIのパラメータのほとんどをウェブUIから触れますし、同じモデルをエージェントから MCP 経由で呼ぶこともできます。
• 新規アカウントには$0.20の初期残高が付き、失敗した生成は自動で返金されます。

この記事の初版を出したのはローンチ当日で、当時のプラットフォームにはGoogleのモデルが7つ、記事は箇条書き6つと約束がひとつだけでした。こちらは2026年9月版です。13モデル、4社。以下のサンプルはすべて、この記事のために自社のパイプラインで生成しました。

BananaBananaで何が作れる？

画像、短い動画クリップ、そして音声。それぞれ、実用上ほぼすべてのバリエーションに対応しています。

画像は512pxのクイックなラフから4Kの書き出しまで、アスペクト比は正方形の1:1からシネマスコープの21:9まで10種類。商品やキャラクターをシリーズ全体で揃えたいときは参照画像を添付できます（Nano Banana 2 と GPT Image 2.5 は最大14枚、Qwen は3枚）。安いモデルなら数秒、上位モデルでも30秒前後で仕上がります。

動画はいま、3つの考え方に分かれています。Veo 3.1 ファミリーはコントロール重視。長さを4・6・7・8秒から正確に選べて、解像度は最大4K、音声はオフにもできます。Omni Flash は対話型。常に音声付きで、長さは3〜10秒、秒単位の課金で、変更点を普通の言葉で伝えながら仕上げていきます。いちばん新しい2つは「長尺」と「しゃべる」の担当です。Wan 3.0 は1テイクで最長30秒をレンダリングし、Grok Imagine Video 1.5 はあなたが書いたセリフに口の動きを合わせます。

多くのラッパー系サイトとの地味な違いもあります。プロンプト欄ひとつで済ませず、各APIのパラメータをほぼすべて公開していることです。シード値、ネガティブプロンプト、プロンプト補正のオン・オフ、10種類のアスペクト比、被写体の参照、開始・終了フレーム、クリップの延長、音声スイッチ。必要な設定がひとつ隠されていたせいでツールを見限った経験があるなら、私たちも同じです。だからこのジェネレーターは何も隠しません。

モデルのまわりには、地味だけれど大事な機能が揃っています。プロフィールの生成履歴、プロバイダー側で失敗したときの自動返金、15言語に翻訳されたインターフェース、そして Claude や Cursor、自作のエージェントが同じ残高から同じモデルを呼べる MCPサーバー。

Nano Banana 画像モデル：Lite、スタンダード、Pro

Googleの3つの画像モデルは同じファミリーで、役割ははっきり分かれています。Lite は量をこなすため、Nano Banana 2 は解像度に余裕が欲しいとき、Pro は人がじっくり見る素材のためのモデルです。

違いを説明するより、同じプロンプトを3モデルに通したほうが早いでしょう。夕暮れ、雨に濡れた市場のカウンターに置かれたバナナソーダの瓶。紙のラベルには「BANANA SODA」の文字。フォトリアルで。

Lite（$0.03）は雰囲気と見出しの文字はきっちり決めてくれますが、細かい文字はあっさり諦めています。ロゴの下の小さな一行は、飾りのような意味不明の文字列です。誰も拡大して見ないイラストなら、たいていこれで十分です。

Nano Banana 2（1Kで$0.06）はラベルを最後まで読める形で描き、頼んでもいない「EST. 1974」や容量表記まで入れて、街の風景も広めに切り取ります。ただ、背景に足されたメニューボードの文字は崩れています。

Pro（$0.11）はタイポグラフィと光で勝っています。ドロップシャドウ付きのくっきりしたレトロ文字、その下には読める筆記体。面白いことに、その Pro でさえ自分で考えたキャッチコピーを「Small Balch」と綴り間違えました。画像モデルの文字はずいぶん進歩しましたが、校正はまだ人間の仕事です。

Lite は1週間本番で回してみて、安いモデルで足りる場面を記事にまとめました。コスト面を詳しく知りたい方はどうぞ。

GPT Image 2.5 と Qwen Image 3.0 Pro：Google以外の画像モデル

いまはGoogle以外の画像モデルが3つあります。同じプロンプトでセカンドオピニオンが欲しい、という声が多かったので加えました。

同じバナナソーダのプロンプトで、さらに2パターン。

Flare（$0.05）は、このラインナップで唯一、細かい文字まで全部正しく書けたモデルです。「Real Banana Flavor, Since 1932」に加え、頼んでいない小さなバナナの房、そして本物の写真に見える濡れた市場のボケ。かかった時間は36秒で、それがこの正確さの代償です。Sunburst は同じファミリーを、プロンプトへの忠実さをさらに高める方向に調整したもの。私は最初のラフではなく、レイアウトをブリーフどおりに合わせる必要があるときに使います。

Qwen（$0.04）は9秒で返ってきて、見出しの太さも瓶のきれいさも5つの中でいちばんでしたが、細かい文字では Lite と同じことをしました。もっともらしい意味不明の文字が2行。本当の強みは中国語、日本語、韓国語など、Googleのモデルがまだつまずく文字体系のテキストです。シード値とネガティブプロンプトが使えるモデルとしてはここで最安。ただし4Kはありません。

Veo 3.1 動画：Standard、Fast、Lite

Veo の3ティアは ジェネレーター 上で同じコントロールを共有していて、価格差で買うのは出力の品質、主に物理挙動や細かな動きに表れる部分です。GoogleのVeoドキュメントによると、このファミリーはネイティブ音声、画像から動画、最大4Kの解像度に対応しています。APIを通して見える挙動もそのとおりですが、プラットフォームとしての注意点がひとつ。Veo 3.1 Lite の上限は1080pです。

以下の価格は4秒〜8秒クリップの範囲です。

上のクリップは Veo 3.1 Fast です。ゴールデンアワーの朝食テーブルにゆっくり寄っていく6秒の無音ドリーインで、この記事のために生成しました。720pで$0.52。湯気とカーテンに注目してください。こういう自然な動きこそ Veo と安い動画モデルを分けるもので、Fast は Standard の3分の1の価格でその大半を保っています。

クリップはたいてい数分で届きます。キャパシティが逼迫しているときはプラットフォームが自動でオペレーションをやり直し、待っている間はリトライ回数を表示します。それでも届けられなければ返金です。セーフティフィルターが結果を消した場合も同じ方針で、全部ブロックされれば全額、一部なら按分で返金します。

何か月も回してきた私の目安はこうです。絵コンテやSNS用のラフには Lite、普段使いは Fast、水や布、衝突をきちんと見せたいときや納品仕様が4Kのときは Standard。Veo はいちばん遠くまで伸ばせるモデルでもあり、完成したクリップを7秒ずつ延長して、連続性を保ったまま最大148秒まで伸ばせます。

Omni Flash：チャットで編集できる音声付き動画

Gemini Omni Flash は少し毛色が違います。Googleは第1世代を2026年6月に、Omni 1.1 を8月に出しました。ここではどちらも使えて、デフォルトは1.1です。常にサウンドトラック付きで生成し、長さは3〜10秒の範囲で1秒単位で自分で決められ、課金は秒単位。360pで$0.03、720pで$0.10、1080pで$0.15、4Kで$0.30なので、3秒のラフなら$0.09、720pで10秒フルなら$1.00です。入力画像も受け付けます。開始フレーム、任意の終了フレーム、キャラクターや商品用の参照クリップ最大3本。見た目が好みなら、1.0世代も4・6・8・10秒、720pか1080pで引き続き使えます。

これは音をオンにして見てください。パンケーキのクリップは Omni Flash の1回の生成です。積み重ねたパンケーキにメープルシロップがかかる様子を描いたテキストプロンプトひとつに、「single continuous shot, no scene cuts」という明示的な指示（言わないと Omni は余計なカットを編集で足したがります）、そして静かなキッチンの環境音の上にシロップが垂れる柔らかな音を求める「Audio:」の一行。音声の別作業はなし。長さは10秒フルで頼みました。

このクリップで学んだプロンプトのコツがひとつ。Omni は最初のフレームですでに起きていることは続けますが、あとから始まる予定の動作は黙って落とします。最初のラフでは「クリップの真ん中あたりで」パンケーキをひっくり返すよう頼み、3回続けて10秒間何も起きない動画が返ってきました。うまくいったのは、最初のフレームからシロップがすでにかかっていて、クリップ全体を通して流れ続けると書いたバージョンです。動作はタイムラインではなく、進行形で書きましょう。

価格に見合う機能は編集です。Omni に限らず、完成した動画にはすべて編集ボタンが付いています。変更点を伝え（「夜にして、ほかはそのまま」）、秒数分をもう一度支払えば、モデルは元の大部分を保ったまま修正を反映して再レンダリングします。自分でアップロードした動画も使えるので、Veo のクリップやスマホの動画を Omni でスタイル変更することもできます。結果は常に元と同じ長さで返ってきます。Omni 1.1 は延長もでき、1ステップごとに直前のクリップへ3〜10秒を足して、合計約40秒まで伸ばせます。このモデルは別の Omni Flash APIレビュー で分解していて、1.1で何が変わったか の専用ページもあります。

Wan 3.0 と Grok Imagine Video 1.5：長回しとしゃべるクリップ

この2つは9月に加わったモデルで、Googleのモデルが埋めきれない穴をカバーします。

Wan 3.0 は、このプラットフォームで唯一、30秒を1回でレンダリングできるモデルです。サウンドトラックに追加料金がかからないので、ここで音声付き動画を手に入れるいちばん安い方法でもあります。落とし穴は上限側にあって、1080pで30秒なら$6.00。当社で販売している単発生成としては最も高額です。参照クリップも課金対象なので、15秒の参照と15秒の出力なら30秒分の料金になります。

ランタンを灯した小舟は、この記事のために Wan 3.0 で生成したものです。720pで10秒、$1.00。蛍の舞う夕暮れの森の小川を、カットなしのワンショットで追いかけるよう頼んだプロンプトひとつに、水とコオロギの音を指定する「Audio:」の一行。カットを入れずにテイク全体を出してくれました。Omni には言い聞かせないといけない、まさにその点です。ろうそくの炎は、私の好みからすると少し落ち着きすぎていますが。音はオンで。小川の音は素材集ではなく生成されたものです。

Grok はしゃべる担当です。バリスタのクリップは720pで6秒（$0.84）。プロンプトの中に彼女のセリフを引用符で書いたところ、口の動きが言葉と合った話す顔が返ってきました。UGC風の広告はまさにこの機能の上に作られていて、それを軸にした AI UGC動画のガイド も別にあります。ログから正直な注意点を2つ。参照画像は720pでしか使えません（開始フレームは1080pでも使えます）。それと、このクリップは正確な720行ではなく1280×704で返ってきました。スマホで気づく人はいません。ピクセル単位で見るクライアントなら気づくかもしれません。

音声合成：30種類の声、200文字で1セント

Gemini 3.1 Flash TTS は、テキストを24 kHzのWAVに変換します。料金は200文字ごと（端数切り上げ）に$0.01なので、約900文字・60秒の読み上げでも5セントです。30種類の声から1つを選ぶか、ちょうど2人の対話を組み、話し方は普通の言葉で指示します。「温かく、ゆったりと、少し笑みを含んで」のように。さらに必要な箇所に [whispers] や [laughs] といったインラインタグも入れられます。画像や動画と同じジェネレーターで動き、MCPでは generate_speech として使えます。

これで1回の生成です。150文字、Kore の声、広告っぽい読みではなくリラックスしたナレーターで、という一行のスタイル指定。料金は1セント。オーディオブックに使おうとは思いませんが、商品クリップのナレーションなら、フリーランスが受信箱を開くのを待つよりずっと早いです。

支払いと返金の仕組みは？

残高はUSD建てで、生成が成功したときだけ減ります。ウェブでの暗号資産入金は0xProcessingが処理します。BTC、ETH、SOL、TON、BNB、LTC、TRX、XRP、DOGE、BCH、さらにステーブルコインの USDT、USDC、DAI、TUSD を ERC-20、BEP-20、Solana、TON、Base の各ネットワークで。選択肢は20以上あり、実際にはTONやSolanaのような手数料の安いネットワーク上のステーブルコインを選ぶユーザーがほとんどです。初めて送金するなら、暗号資産での入金手順 を最初から最後までまとめた記事があります。カード、PayPal残高、SEPA送金は代わりにPayPal Checkoutを通り、1回$20からです。

登録に必要なのはメールアドレスだけで、$0.20のクレジットが付きます。何かを決める前に、Lite で画像を6枚作れる額です。誰かからプロモコードを教えてもらったなら、一度有効化すれば、以後のすべての入金に+10%のボーナスが上乗せされます。入金額に応じたボーナスも暗号資産でのチャージに付きます。$50以上で5%、$100以上で10%。この2つは重ねがけでき、プロモコードを有効にした状態で$100を暗号資産で入金すると$120がチャージされます。

何も登録されたまま残らない

カードでの支払いもできますが、カードが当社のプラットフォームに触れることはありません。PayPalボタンを押すと、カード情報はPayPal自身のウィンドウで入力されます。あとには何も保存されず、自動更新もされません。ひとつのプロジェクトのためにAIツールをサブスク契約し、解約がメニューの3階層下にあったせいで使わない4か月分を払ったことがあるなら、これがなぜ大事かはよくわかるはずです。入金した残高は使うまであなたのもの。尽きたあとに、存在しているだけで課金され続けることはありません。トレードオフも正直に書いておきます。カードは1回$20から、暗号資産は約$1から。TONで$10のステーブルコインを送る手数料は数セントで、初回は5分ほど、2回目以降は数秒で済みます。

カード登録がそもそも不要な理由 と 画像単位の課金とサブスクの比較 は別の記事で詳しく解説しました。ここでは返金ロジックをはっきり書いておく価値があります。生成AIのAPIは、宣伝されているよりずっと頻繁に失敗するからです。失敗状態で終わった生成は、自動で全額返金されます。サポートへの問い合わせは不要です。価格表の全体は 料金ページ にあります。

紹介プログラム：すべての入金の5%〜15%

プロフィール でプロモコードを最大3つ作れます。あなたのコードを有効にした人は、以後のすべての入金に+10%が上乗せされ、あなたにはその入金に対するコミッションが入ります。最初は5%、紹介したユーザーのチャージ合計が$1,000を超えると10%、$2,000を超えると15%。コードは購入者のアカウントに紐づいたままなので、ボーナスもコミッションも初回だけでなく、毎回の入金に自動で適用されます。

正直な注意点を2つ。自分のコードは有効化できません。また、あなたと同じネットワークからの登録はコミッションの対象外です。不正対策は意図的に厳しくしています。

FAQ（よくある質問）

BananaBananaのAI画像生成はいくらかかりますか？

1枚$0.03（1Kの Nano Banana 2 Lite、または512pxの Nano Banana 2）から、Nano Banana Pro の4K画像の$0.20まで。GPT Image 2.5 は$0.05〜$0.18、Qwen Image 3.0 Pro は$0.04〜$0.08です。サブスクリプションはなく、前払いの残高から1枚ごとに支払います。

無料で試せますか？

新規アカウントにはすべて$0.20のクレジットが付きます。最安モデルで画像6枚、または Wan 3.0 の音声付き4秒クリップ1本に相当します。登録にカード情報は不要で、メールアドレスだけで済みます。

クレジットカードやサブスクリプションは必要ですか？

始めるのにカードは不要です。メールアドレスで登録すると$0.20の残高が付きます。その後は好きなときにUSD残高をチャージします。暗号資産なら約$1から、カード・PayPal・SEPAなら$20から。支払いは生成ごとです。サブスクプランはなく、使わなかった残高に期限はなく、勝手に課金されることもありません。

BananaBananaではどの暗号資産が使えますか？

BTC、ETH、SOL、TON、BNB、LTC、TRX、XRP、DOGE、BCH、そしてステーブルコインの USDT、USDC、DAI、TUSD。ネットワークは ERC-20、BEP-20、Solana、TON、Base です。

音声付きのAI動画は作れますか？

はい、方法は4つあります。Veo 3.1 のモデルには音声のオン・オフがあり（音声付き4秒クリップは Veo Lite で$0.18から）、Wan 3.0 はサウンドトラックが無料で$0.20から、Gemini Omni Flash は常に音声を生成して1秒$0.03から、Grok Imagine Video 1.5 はあなたが書いたセリフをリップシンクして1クリップ$0.56からです。

生成に失敗したらどうなりますか？

全額が自動で残高に返金されます。動画の場合、キャパシティのエラーはまずプラットフォームが自動でリトライします。セーフティフィルターが出力の一部をブロックした場合は、届かなかった分が按分で返金されます。