Google 釋出 Gemini 生圖指南：教你保持角色一致與區域性微調

過去用 AI 改圖，最讓人頭疼的就是「動一發而動全身」。你只是想讓照片裡的人換件衣服，AI 往往連人臉、髮型甚至背後的窗戶一起給你換了。

Google 正式公佈了 Gemini 2.5 Flash Image。經常逛評測榜的人對它其實不陌生，前幾週在 LM Arena 盲測榜上橫掃全場、把第二名 Flux-Kontext 甩開一大截的神秘模型「nano-banana」，皮下原來就是它。

現在這項能力已經全面推送到 Gemini 應用、Google AI Studio、Vertex AI 以及開發者的 API 介面中。

像給修圖師提需求一樣改圖

和很多把大語言模型與擴散模型強行拼在一起的做法不同，Gemini 2.5 Flash Image 採用的是原生多模態架構。說白了，它在底層是把文本和影像放在同一個步驟裡同時處理的。

這種底層設計帶來的最直接變化，就是極強的上下文理解和區域性修改能力。比如你先生成一張現代簡約客廳，接著直接對它說「把沙發改成深海軍藍」，然後再說「在茶几上放三本書」，它就只改動指定位置，整個房間的光影和結構完全不會崩。

角色一致性也是這次的重頭戲。你可以先定義一個小精靈角色，下一輪對話直接讓它騎著蝸牛穿過草地，人物的面部特徵、服飾風格都能穩穩保留下來。

它甚至能理解現實世界的邏輯因果。官方演示裡，先讓它畫一個人小心翼翼端著三層蛋糕，下一句輸入「生成如果這人被絆倒會發生什麼」，模型能根據物理常識，順理成章地畫出蛋糕飛出去的抓拍畫面。

如果你有多張素材想拼在一起，它也支援跨圖融合。比如分別生成宇航員和熱帶雨林籃球場，再讓它把兩者合二為一，生成一張宇航員在雨林裡暴扣的照片。在 API 和 Google AI Studio 上的呼叫價格是每張圖 0.039 美元，比 OpenAI 的 gpt-image 和 Black Forest Labs 的 Flux-Kontext 都要稍微便宜一點。

不過 Google 自己也承認現階段的硬傷。比如畫面長寬比經常不聽使喚、生僻複雜的排版字型偶爾會拼錯，偶爾風格化渲染也會超出預期。

為什麼重要

對於創作者、電商賣家和獨立開發者來說，這個模型非常值得立刻上手試試。以前做產品圖換背景、給模特換裝或者畫連續故事繪本，不僅要在 Photoshop 裡摳圖圖層堆疊，還要反覆抽卡。現在只要用自然語言多輪對話，就能在幾步內精確收斂到想要的效果，門檻被拉低到了文字輸入的級別。

在行業競爭層面，Google 正在打一場追擊戰。今年 3 月 OpenAI 靠著原生生圖功能掀起吉卜力風格頭像風潮，甚至把伺服器都幹癱了，目前 ChatGPT 周活已經超過 7 億；而 Google 7 月財報裡披露的 Gemini 月活才 4.5 億。再加上 Meta 上週宣佈找 Midjourney 採購技術授權，影像編輯已經成了爭奪大眾使用者的核心戰場。Google 拿出效能頂尖且價格更便宜的原生多模態模型，正是要從 OpenAI 手裡搶回工作流入口。

我們認為，Google 這次最聰明的做法，是不再單純堆砌畫質和解析度，而是把力氣花在「可控性」和「多輪編輯」上。能聽懂人話、只改該改的地方，遠比生成一張不可修改的精美廢片實用得多。但隱患依然在合規與安全防線上，Google 曾經因為人像生成偏差栽過大跟頭，這次雖然加上了隱形水印並限制敏感內容，但在真實世介面對深度偽造的複雜審視時，這道防線能不能經受住考驗，看起來依然需要時間驗證。