Nano Banana 2: Kompletny przewodnik z Pythonem

Google właśnie udostępniło drugą iterację modelu do generowania obrazów, Nano Banana 2. Gdy Nano Banana pojawił się po raz pierwszy, zrobił furorę, szybko stając się najlepszym i najszybszym modelem AI do generowania obrazów.

W tym artykule szczegółowo omawiamy nowy model, jego funkcje oraz to, jak używać go przez API w Pythonie.

Jeśli ogólnie interesuje Pana/Panią generowanie obrazów, polecam nasze przewodniki po następujących modelach:

• Seedream 4.5
• FLUX.2 Klein
• Qwen Image
• ChatGPT Images 2.0

Czym jest Nano Banana 2?

Nano Banana 2, znany także jako Gemini 3.1 Flash Image, to najnowszy, zaawansowany model AI Google DeepMind do generowania i edycji obrazów. Łączy rozległą wiedzę o świecie, jakość i rozumowanie Nano Banana Pro z błyskawiczną szybkością Gemini Flash, umożliwiając tworzenie obrazów o wysokiej wierności i szybkie iteracje w tym samym procesie.

Kluczowe możliwości

Oto przegląd najważniejszych funkcji Nano Banana 2:

• Lepsza dokładność: Osadza generacje w realnej wiedzy Gemini i sygnałach z obrazów w sieci w czasie rzeczywistym, aby wierniej odwzorowywać konkretne obiekty. Idealny do infografik, diagramów i wizualizacji danych.
• Ulepszona typografia: Generuje czytelny, poprawny tekst w obrazach i wspiera lokalizację oraz tłumaczenie bezpośrednio w obrębie obrazu.
• Kontrola kreatywna: Poprawiona spójność postaci dla narracji i storyboardów. Model zachowuje podobieństwo do pięciu postaci i wierność do 14 obiektów w jednym przebiegu.
• Niezawodność: Precyzyjne przestrzeganie instrukcji, aby lepiej uchwycić złożone, niuansowane polecenia.
• Wysoka rozdzielczość: Specyfikacje gotowe do produkcji z elastycznymi proporcjami i rozdzielczościami od 512 pikseli do 4K.
• Jakość wizualna: Ulepszona wierność wizualna z bogatszymi teksturami, żywym oświetleniem i ostrzejszymi detalami w tempie Flash.

Jeśli Nano Banana jest dla Pana/Pani nowością, warto najpierw przeczytać nasz wcześniejszy artykuł o pierwszej iteracji Nano Banana Pro.

Jak uzyskać dostęp do Nano Banana 2

W tym artykule omawiamy, jak korzystać z Nano Banana 2 przez ich API w Pythonie. Nowe modele są jednak dostępne w całym ekosystemie Gemini:

• Aplikacja Gemini: Nano Banana 2 jest teraz domyślnym modelem obrazowania w trybach Fast, Thinking i Pro. Abonenci Google AI Pro i Ultra nadal mogą regenerować z Nano Banana Pro przez menu z trzema kropkami w specjalistycznych zadaniach wymagających maksymalnej zgodności z faktami.
• Wyszukiwarka: Dostępna w trybie AI i w Lens w aplikacji Google oraz przeglądarkach mobilnych/stacjonarnych, z rozszerzoną dostępnością (w tym 141 nowych krajów/terytoriów i ośmiu dodatkowych języków).
• AI Studio + Gemini API: Dostępne w wersji zapoznawczej (zob. ceny). Dostępne także w Google Antigravity.
• Google Cloud: W wersji zapoznawczej przez Gemini API w Vertex AI.
• Flow: Teraz domyślny model generowania obrazów dla wszystkich użytkowników Flow.
• Google Ads: Wspiera kreatywne sugestie podczas tworzenia kampanii.

Cennik API

W tym artykule używamy Nano Banana 2 poprzez API, więc nie potrzebujemy abonamentu, a płacimy za każdy wygenerowany obraz.

Uznałem/am, że oficjalna tabela cen jest nieco trudna w interpretacji. Zwykle modele generujące obrazy podają stałą cenę za obraz.

Aby to uprościć, przygotowałem/am wyliczenia szacujące przewidywaną cenę w zależności od rozmiaru obrazu. Pamiętajmy, że nie są to dokładne ceny i mogą się nieznacznie różnić.

Nano Banana 2 potrafi wykonywać wyszukiwania w sieci, aby generować dokładniejsze wyniki. To bardzo przydatna funkcja, ale wpływa też na cenę, ponieważ wyszukiwania wiążą się z dodatkowym kosztem.

Pierwsze 5000 zapytań Google Search miesięcznie jest bezpłatne przy użyciu uziemiania przez Google Search. Potem koszt wynosi $14 za 1000 zapytań Google Search.

Generowanie naszego pierwszego obrazu w Nano Banana 2

Przejdźmy do rzeczy i zacznijmy pracę z Nano Banana 2.

Generowanie klucza API

Aby korzystać z API, najpierw musimy wygenerować klucz API. W tym celu proszę zalogować się do Google AI Studio. Następnie kliknąć przycisk Create API Key w prawym górnym rogu.

Klucz API musi być powiązany z projektem Google Cloud. Google AI Studio ułatwia to, pozwalając utworzyć projekt bezpośrednio w procesie generowania klucza API.

Aby używać klucza API, w powiązanym projekcie Google Cloud musi być włączone rozliczanie. Jeśli właśnie utworzył/a Pan/Pani nowy projekt, należy je włączyć, klikając przycisk Set up billing obok klucza API.

Na koniec proszę skopiować klucz API i wkleić go do pliku o nazwie .env w następującym formacie:

GEMINI_API_KEY=<paste_key_here>

Ten plik .env należy utworzyć w tym samym folderze, w którym będziemy pisać skrypty w Pythonie.

Konfiguracja środowiska

Następnie musimy zainstalować zależności Pythona wymagane do komunikacji z Gemini API. W tym celu proszę uruchomić następujące polecenie:

pip install google-genai python-dotenv pillow

To polecenie instaluje następujące pakiety:

• google-genai: Oficjalny pakiet Google do generatywnej AI. Ułatwia tworzenie klienta do komunikacji z Gemini API.

• python-dotenv: Narzędzie do wczytywania klucza API z pliku .env.

• pillow: Biblioteka obrazów ułatwiająca wczytywanie obrazów przekazywanych jako wejście do Nano Banana 2.

Generowanie obrazu

Oto kompletny kod w Pythonie do wygenerowania obrazu:

from google import genai
from dotenv import load_dotenv
from google.genai import types
import time

# Load API key
load_dotenv()
client = genai.Client()

prompt = """
Lego version of the empire state building being built.
"""

# Make API request
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[prompt],
    config=types.GenerateContentConfig(
        response_modalities=["Image"],
        image_config=types.ImageConfig(
            aspect_ratio="16:9",
            image_size="4K",
        ),
    )
)

# Save the image and display output text if any
for part in response.parts:
    if part.text is not None:
        print(part.text)
    elif part.inline_data is not None:
        image = part.as_image()
        image.save(f"image_{int(time.time())}.png")

Oto wynik:

Obsługiwane proporcje i rozdzielczości

W powyższym żądaniu określiliśmy proporcje obrazu parametrem aspect_ratio oraz rozdzielczość parametrem image_size.

Nano Banana 2 obsługuje szeroki zakres proporcji i rozdzielczości od 512 pikseli do 4K. Oto pełna lista obsługiwanych wartości:

• aspect_ratio: "1:1","1:4","1:8","2:3","3:2","3:4","4:1","4:3","4:5","5:4","8:1","9:16","16:9","21:9"

• image_size (rozdzielczość): "512px", "1K", "2K", "4K"

Praca z Nano Banana 2 w praktyce

Skoro mamy już wszystko skonfigurowane i pomyślnie stworzyliśmy pierwszy obraz, czas przetestować reklamowane funkcje.

Edycja obrazu ze spójnością postaci

Możemy przekazać obrazy do modelu, ładując je za pomocą PIL (z pakietu pillow) i dołączając je do listy contents.

Jedną z głównych funkcji Nano Banana 2 jest zdolność do zachowania postaci podczas generowania obrazów. Przy próbach z innymi modelami, jak poprzednia iteracja Nano Banana czy GPT-Image, często zauważałem/am, że trudniej było tworzyć obrazy na podstawie rzeczywistych postaci, bo model miał tendencję do zmieniania ich wyglądu.

Z dokumentacji wynika, że model obsługuje do pięciu postaci i 10 obiektów, łącznie 14 odniesień. Nie definiują dokładnie postaci i obiektów, ale intuicyjnie oznacza to, że model został wytrenowany do generowania scen z maksymalnie 4 głównymi postaciami i do 10 drugoplanowymi obiektami, z którymi te postacie wchodzą w interakcję.

Model nie udostępnia jawnych parametrów do przekazywania obrazów postaci i obiektów. Zamiast tego robi się to w promptach. Przejrzałem/am kod źródłowy niektórych ich demonstracji, aby zrozumieć, jak strukturyzują prompt odwołujący się do tych elementów.

Znaleziony przeze mnie szablon był następujący:

<subject_name> (<Character #number>) = Image <#index>

Na przykład, dla dwóch postaci o imionach „Alice” i „Bob” wyglądałoby to tak:

Subjects: Alice (Character 1) = Image 0, Bob (Character 2) = Image 1

Poniżej pełny przykład kodu pokazujący, jak ustawić dwa zwierzaki, psa i kota, razem na zdjęciu.

from google import genai
from dotenv import load_dotenv
from google.genai import types
import time
from PIL import Image
# Load API key
load_dotenv()
client = genai.Client()
prompt = """
Goldie and Wiskers are posing together.
Subjects: Goldie (Character 1) = Image 0, Wiskers (Character 2) = Image 1
Maintain strict subject consistency for characters.
Adjust the subject composition/pose as appropriate for the scene.
"""
dog = Image.open("dog.png")
cat = Image.open("cat.png")
# Make API request
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[prompt, dog, cat],
    config=types.GenerateContentConfig(
        response_modalities=["Image"],
        image_config=types.ImageConfig(
            aspect_ratio="9:16",
        ),
    )
)
# Save the image and display output text if any
for part in response.parts:
    if part.text is not None:
        print(part.text)
    elif part.inline_data is not None:
        image = part.as_image()
        image.save(f"image_{int(time.time())}.png")

Włączanie obiektów

Jak wspomniano wyżej, ten szablon nie jest częścią oficjalnej dokumentacji. Model prawdopodobnie potrafi zrozumieć każdy element z promptu i obrazów. Jednak przy tworzeniu aplikacji, w której zależy nam na spójnych wynikach, najlepszą praktyką jest możliwie precyzyjne i konsekwentne formułowanie promptów, dlatego polecam korzystanie z tego szablonu.

Ich przykład rozszerza szablon o odniesienia do obiektów, po prostu zastępując „Character” słowem „Object”, aby model wiedział, że obraz odnosi się do obiektu, a nie głównej postaci.

Aby to zademonstrować, sprawmy, by pies miał na sobie konkretne okulary przeciwsłoneczne, a kot – czapkę, przekazując dwa odniesienia do obiektów. Oto prompt, którego użyłem/am:

Goldie and Wiskers are posing together. Goldie is wearing the Glasses, and Wiskers is wearing the Hat.
Subjects: Goldie (Pet 1) = Image 0, Wiskers (Pet 2) = Image 1, Glasses (Object 1) = Image 3, Hat (Object 2) = Image 4.
Maintain strict subject consistency for characters and objects.
Adjust the subject composition/pose as appropriate for the scene.

Oto wynik:

Uziemianie generowania obrazów w wyszukiwarce

Nano Banana 2 umożliwia oparcie generowania obrazu na wyszukiwaniu, aby wyniki były dokładniejsze. Jest to szczególnie przydatne przy generowaniu obrazów, które muszą być zgodne z rzeczywistością, np. obrazy lokalizacji lub konkretnego gatunku zwierząt.

Mieszkam na Tajwanie i niedawno odbył się zorganizowany wypad w góry, gdzie organizator użył obrazu wygenerowanego Nano Banana do zobrazowania miejsca. Niestety obraz był zupełnie nietrafiony, a uczestnicy byli rozczarowani, bo wyglądał zupełnie inaczej niż w rzeczywistości.

To wzbudziło moją ciekawość, by sprawdzić, czy Nano Banana 2 sobie z tym poradzi.

Możemy włączyć zarówno wyszukiwanie w sieci, jak i wyszukiwanie obrazów, używając parametru tools w żądaniu generowania.

Oto pełny przykład:

from google import genai
from dotenv import load_dotenv
from google.genai import types
import time
# Load API key
load_dotenv()
client = genai.Client()
prompt = """
Create an image of the Yinhe Cave (銀河洞) in Taiwan at golden hour.
- Use Image Search to search for an image of the specified place.
- Keep the location and the view as close to the real reference as possible.
"""
# Make API request
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[prompt],
    config=types.GenerateContentConfig(
        response_modalities=["Image"],
        image_config=types.ImageConfig(
            aspect_ratio="9:16",
        ),
        tools=[
            types.Tool(google_search=types.GoogleSearch(
                search_types=types.SearchTypes(
                    web_search=types.WebSearch(), # Enables web search
                    image_search=types.ImageSearch() # Enables image search
                )
            ))
        ]
        
    )
)
# Save the image and display output text if any
for part in response.parts:
    if part.text is not None:
        print(part.text)
    elif part.inline_data is not None:
        image = part.as_image()
        image.save(f"image_{int(time.time())}.png")

Poniżej pokazujemy wyniki. Najpierw prawdziwe zdjęcie z Google Photos, potem obraz wygenerowany przez Nano Banana 2 z użyciem wyszukiwania, a na końcu obraz wygenerowany bez wyszukiwania. Widać, że wyszukiwanie znacznie zwiększa dokładność.

Zespół Gemini zbudował demo o nazwie Window View, które wykorzystuje tę ideę do stworzenia małej aplikacji pokazującej konkretne miejsca za oknem. To dobre pokazanie zdolności modelu do rozumienia rzeczywistego świata.

Łączenie spójności postaci ze zrozumieniem świata

Skoro model potrafi z dużą precyzją generować rzeczywiste lokalizacje, możemy umieszczać konkretne postaci w realnym świecie.

Spróbujmy umieścić Goldie i Wiskersa w lokalizacji na Tajwanie. Wybrałem/am to miejsce, bo chciałem/am sprawdzić, czy model poradzi sobie z lokalizacjami, które nie są powszechnie znane na świecie.

To był prompt:

Goldie and Wiskers are traveling across the Sanxiantai Arch Bridge in Taiwan.
Subjects: Goldie (Pet 1) = Image 0, Wiskers (Pet 2) = Image 1
Use image search to find visual references of the location.
Maintain strict subject consistency for characters and objects.
Adjust the subject composition/pose as appropriate for the scene.

Proszę zauważyć, że prompt wprost prosi model o wyszukiwanie obrazów. Z mojego doświadczenia wynika, że przy używaniu narzędzi zawsze lepiej jest wyraźnie poprosić model o ich użycie w promptach.

Oto obraz naszych dwóch bohaterów w podróży:

Poszedłem/poszłam o krok dalej i podałem/am nawet lokalizację przez szerokość i długość geograficzną — i zadziałało!

Goldie and Wiskers are at the location with a latitude of 17.0621186 and a longitude of -96.7255102.

Subjects: Goldie (Pet 1) = Image 0, Wiskers (Pet 2) = Image 1

Use image search to find visual references of the location.
Maintain strict subject consistency for characters and objects.
Adjust the subject composition/pose as appropriate for the scene.

Nawet jeśli lokalizacja nie odpowiada dokładnie tym współrzędnym, elementy obrazu odpowiadają temu, co widzimy w tym miejscu — co, moim zdaniem, robi duże wrażenie.

Lokalizacja tekstu

Nano Banana 2 udoskonala wcześniejsze modele obrazowania Flash, oferując bardziej spójne i niezawodne renderowanie tekstu.

Tekst może teraz wyglądać równie ostro i poprawnie jak otaczająca grafika. Nano Banana 2 umożliwia też lokalizację bezpośrednio w obrazie, dzięki czemu można tworzyć lub tłumaczyć tekst na wiele języków w generowanym obrazie.

Przetestowałem/am lokalizację, generując plakat dla fikcyjnej marki gogli VR o nazwie „Beyond Reality”. Następnie użyłem/am prostego promptu w stylu:

Change the language of the poster to Japanese.

Oto wyniki po zmianie języka tekstu plakatu najpierw na francuski, a potem na japoński:

Co ciekawe, model był na tyle „inteligentny”, by nie tłumaczyć nazwy marki, choć nie było to wskazane w promptach.

Tryb konwersacji

Ostatnią funkcją, którą omawiamy, jest tryb konwersacji. Poprzednie przykłady nie są interaktywne. Wysyłamy żądanie do API i otrzymujemy wynik. Jeśli chcemy iterować nad tym wynikiem, musimy zbudować nowe żądanie z tym obrazem i pożądanymi zmianami.

Lepszym sposobem jest użycie trybu czatu. W trybie czatu tworzymy konwersację funkcją client.chats.create(), a następnie wymieniamy wiadomości funkcją client.send_message(). Możemy to wykorzystać do wdrożenia przepływu edycji w czacie:

1. Użytkownik wysyła prompt
2. Nano Banana 2 generuje obraz na podstawie promptu i poprzedniego obrazu (jeśli istnieje)
3. Obraz jest wyświetlany użytkownikowi
4. Użytkownik wysyła prompt edycyjny i wraca do kroku 2.

Oto pełny skrypt implementujący ten przepływ:

from google import genai
from google.genai import types
from dotenv import load_dotenv
from PIL import Image
import time
load_dotenv()
client = genai.Client()
# Initialize the chat session
chat = client.chats.create(
    model="gemini-3.1-flash-image-preview",
    config=types.GenerateContentConfig(
        response_modalities=['TEXT', 'IMAGE'],
        tools=[{"google_search": {}}]
    )
)
# We keep track of the latest image object to send back as context
latest_image = None
while True:
    user_input = input("\nPrompt: ")
if user_input.lower() in ['quit', 'exit', 'q']:
        break
# Construct the message content
    # If we have a previous image, we include it so the model knows what to edit
    content = [user_input]
    if latest_image:
        content.append(latest_image)
    try:
        response = chat.send_message(content)
        
        for part in response.parts:
            # Handle Text Response
            if part.text:
                print(f"\nAI: {part.text}")
            
            elif part.inline_data is not None:
                image = part.as_image()
                filename = f"image_{int(time.time())}.png"
                image.save(filename)
                print("Saved image", filename)
                latest_image = Image.open(filename)
                latest_image.show()
                    
    except Exception as e:
        print(f"An error occurred: {e}")
print("Session ended.")

Uruchamiając ten skrypt, możemy iteracyjnie edytować obraz bezpośrednio w terminalu w taki sposób:

Oto wyniki tej interakcji:

Nano Banana vs. Nano Banana 2

Poniższa tabela podkreśla główne różnice między modelami Nano Banana. Jak wspomniano, nowa wersja przynosi istotne ulepszenia w dokładności, spójności i rozdzielczości, działając tylko nieznacznie wolniej niż pierwsza iteracja.  

Tabelę faktycznie wygenerowało Nano Banana 2 na podstawie dostarczonych danych.

Kiedy używać Nano Banana Pro

Choć Nano Banana 2 to nowy standard, Nano Banana Pro pozostaje dostępny dla zadań „Thinking” i specjalistycznych. Warto wybrać Pro, gdy potrzebne są:

• Skrajny realizm: Pro wciąż ma niewielką przewagę w fizyce oświetlenia i teksturze skóry.
• Złożone rozumowanie: Pro lepiej „rozpracowuje” instrukcje przestrzenne (np. „osoba za drugą kolumną po lewej”).

Podsumowanie

Nano Banana 2 to prawdziwy następca, bo znacząco redukuje „dryf” między iteracjami, pozwalając utrwalić wygląd i wiarygodnie przenosić go przez sceny, formaty i języki. 

Dzięki silniejszej trwałości postaci, lepszemu przestrzeganiu instrukcji, realizmowi opartemu na wyszukiwaniu i konwersacyjnym edycjom, które dopracowują zamiast rysować od nowa, znacznie łatwiej zachować tożsamość, układ i styl przy eksplorowaniu wariantów.

Renderowanie tekstu na poziomie produkcyjnym pomaga utrzymać spójność elementów marki, a elastyczne proporcje ułatwiają skalowanie kampanii na banery, plakaty i relacje mobilne. Dla zespołów tworzących storyboardy, zdjęcia produktowe czy kreacje wielojęzyczne, model zapewnia powtarzalność bez poświęcania szybkości ani wierności.

Nano Banana 2 zdecydowanie wypełnia lukę między Nano Banana a Nano Banana Pro: pracuje z prędkością zbliżoną do błyskawicznego tempa Flash Nano Banana, a jego możliwości, wierność wizualna, precyzyjne wykonywanie instrukcji, spójność postaci i realizm oparty na wyszukiwaniu często zbliżają się do Nano Banana Pro.

Jeśli chce Pan/Pani dowiedzieć się więcej o koncepcjach stojących za narzędziami takimi jak Nano Banana 2, polecamy nasz kurs Generative AI Concepts.