GoogleがGemini画像生成の公式指南を公開：キャラ維持や部分編集のコツを解説

これまでの画像生成AIで最も厄介だったのは、編集しようとすると画像全体が別物に変わってしまう問題でした。服の色を変えてほしいだけなのに、顔や背景の家具まで描き直されてしまうのが日常茶飯事だったのです。

Googleは8月26日、新型モデル「Gemini 2.5 Flash Image」を発表しました。Geminiアプリ、Google AI Studio、Vertex AI、そして開発者向けAPIを通じて提供が始まっています。評価プラットフォームLM Arenaで数週間にわたり「nano-banana」という仮名で首位を独走し、2位のFlux-Kontextに大差をつけていた謎のモデルの正体が、正式に明かされた形です。

会話しながら部分修正、物理法則の推論も

Gemini 2.5 Flash Imageの最大の特徴は、テキストと画像を最初から単一の処理系で同時に扱うネイティブマルチモーダル構造にあります。

これにより、自然言語を使った段階的な部分編集の精度が劇的に向上しました。例えば、生成したリビングルームの画像に対して「ソファの色をネイビーに変えて」「テーブルの上に本を3冊置いて」と順に指示しても、部屋全体の光や構造を壊さず、指定した部分だけを正確に書き換えることができます。

キャラクターの一貫性も大きく進化しました。最初のプロンプトで定義したキャラクターの特徴を保ったまま、次のプロンプトで別のポーズを取らせたり、別の乗り物に乗せたりすることが可能です。さらに、複数の画像を合成する指示や、手持ちのケーキを落としたらどうなるかといった現実の物理法則を踏まえた次ステップの予測生成にも対応しています。

APIおよびAI Studioでの利用料金は1画像あたり0.039ドルに設定されており、OpenAIのgpt-imageやBlack Forest LabsのFlux-Kontextよりもわずかに安価です。一方で、指定したアスペクト比の維持や、複雑な文字のレンダリング、過度なスタイル適用時のブレなどには依然として課題が残るとされています。

なぜ重要か

クリエイターやマーケターにとって、今すぐ試す価値が十分にあります。これまでの画像生成AIは「一発勝負のガチャ」になりがちで、細かい修正にはPhotoshopなど外部ツールでの手作業が不可欠でした。会話形式で狙った箇所だけを違和感なく手直しできるようになったことで、絵コンテ作成やEC向け商品画像のバリエーション展開といった実務への導入ハードルが一気に下がります。

業界全体で見れば、GoogleによるOpenAI追撃の決定打となるかが注目されます。3月にOpenAIがGPT-4oの画像生成を投入してChatGPTの週間アクティブユーザー7億人を牽引する一方、GoogleのGeminiは7月時点で月間4.5億人にとどまっていました。MetaがMidjourneyとの提携に踏み切るなど画像生成をめぐる競争が激化するなか、首位級の編集性能を安価なAPIとして開放した意義は小さくありません。

私たちは、Googleが単なる高精細さではなく「指示への忠実さ」と「一貫性の維持」に焦点を絞った点を高く評価しています。現場が求めているのは、手戻りの少ない編集機能だからです。もっとも、過去に人物生成で配慮を欠き公開停止に追い込まれた苦い経験があるだけに、透かし埋め込みなどの安全策を維持しながら、どこまでユーザーの自由な表現欲求に応え続けられるかが今後の課題になりそうです。