Tienes una escena en mente: cinco personajes recurrentes, un entorno específico, uno o dos accesorios y una paleta de colores que ya has definido en trabajos anteriores. Has recopilado el material de referencia, catorce imágenes en total, y ahora quieres un solo frame generado que lo una todo sin que ninguno de tus personajes derive en el rostro de un extraño. Cualquiera que haya intentado esto manualmente sabe que la parte difícil no es la composición, sino mantener a cada personaje reconocible cuando el modelo está gestionando tantas entradas a la vez.
Esta guía explica cómo la familia Nano Banana maneja la composición con referencia a múltiples imágenes, cómo estructurar tus referencias y el prompt para que cinco personajes distintos se mantengan consistentes, y qué nivel elegir dependiendo de si buscas optimizar la calidad bruta o el flujo de trabajo específico de 14 imágenes.
Qué hace realmente la composición con referencia a múltiples imágenes
La mayoría de los modelos de imagen permiten proporcionar una referencia y ajustar el resultado hacia ella. La composición con referencia a múltiples imágenes es un paso más allá: suministras varias imágenes a la vez y el modelo trata a cada una como una fuente de información visual de la que puede extraer elementos al construir un nuevo frame. Una imagen puede aportar el rostro de un personaje, otra el vestuario, otra la iluminación de una habitación y otra la forma de un accesorio.
El valor para una escena con varios personajes es evidente. En lugar de describir cinco rostros con palabras y esperar que el modelo invente algo cercano, le entregas la referencia real para cada personaje. El modelo tiene anclas visuales directas con las que trabajar, que es lo que hace posible la consistencia en primer lugar.
Dentro de la familia Nano Banana en Atlas Cloud, esta capacidad está documentada en [Nano Banana 2 Lite](https://www.atlascloud.ai/models/nanobanana-2), que admite hasta 14 imágenes de referencia y composición multi-imagen en 14 relaciones de aspecto, con una latencia inferior a 2 segundos. Ese es el nivel cuyo conjunto de funciones se ajusta directamente a una tarea de "combinar 14 referencias". Nano Banana Pro es la línea de mayor calidad, diseñada para salidas 1K, 2K y 4K cuando el acabado del frame importa más que la cantidad bruta de entradas. Cubriremos cómo elegir entre ellos a continuación.
La consistencia del personaje es un problema de etiquetado y descripción
Entregarle al modelo catorce imágenes es solo la mitad del trabajo. Si incluyes cinco referencias de personajes en una solicitud sin estructura, el modelo no tiene forma fiable de saber qué rostro pertenece a qué personaje en tu escena, y ahí es exactamente donde las identidades se confunden o se intercambian.
La solución es tratar a cada personaje como una entidad etiquetada, no como una entrada anónima. Tres técnicas hacen la mayor parte del trabajo:
- Etiquetado de referencia por personaje. Dale a cada personaje un nombre o etiqueta estable en tu prompt y asocia cada etiqueta con su imagen de referencia. En lugar de "cinco personas en una cafetería", describe a "Mara (referencia 1), Devon (referencia 2), Priya (referencia 3), Ari (referencia 4) y Kaito (referencia 5) sentados en una mesa de esquina". El ancla nombrada le indica al modelo qué fuente visual corresponde a qué rol en la escena.
- Descriptores consistentes en el prompt. Mantén los mismos descriptores distintivos para cada personaje cada vez que los menciones: cabello, complexión, ropa, un accesorio distintivo. Si Mara tiene "cabello corto plateado y una bufanda verde" en un prompt, mantiene exactamente esas palabras en el siguiente. Reutilizar el lenguaje descriptivo a lo largo de una serie es lo que permite que un personaje sobreviva frame tras frame.
- Modo de edición y referencia a imagen. Cuando ya tengas una buena versión de un personaje o una escena, utiliza el modo de referencia a imagen o de edición en lugar de empezar desde un prompt de texto en blanco. Alimentar al modelo con tu salida anterior como referencia fija el aspecto que ya lograste en lugar de pedirle que reinvente al personaje.
Nada de esto depende de un parámetro secreto. Es una estructura disciplinada: nombra a tus personajes, ancla cada nombre a una referencia y nunca dejes que el lenguaje descriptivo varíe.
Pasos técnicos clave para un frame de 14 imágenes y 5 personajes
Aquí tienes un orden de operaciones repetible que mantiene el proceso manejable:
- Ordena tus catorce referencias por rol antes de escribir nada. Agrúpalas: cinco son rostros de personajes, el resto son entorno, vestuario, accesorios y paleta. Saber qué aporta cada imagen evita que las describas a todas como intercambiables.
- Asigna una etiqueta estable a cada uno de los cinco personajes y escribe un descriptor de una línea para cada uno que reutilizarás palabra por palabra en cada generación.
- Escribe el prompt de composición para que haga referencia a los personajes por sus etiquetas y los coloque en la escena explícitamente ("de izquierda a derecha", "en primer plano", "detrás del mostrador"). Las instrucciones espaciales reducen la posibilidad de que dos personajes se fusionen.
- Adjunta las referencias en la solicitud y describe para qué es cada grupo de referencias, para que el modelo sepa qué imagen es un rostro que preservar frente a una habitación de la que tomar prestada la iluminación.
- Genera y luego inspecciona cada uno de los cinco rostros individualmente. Los problemas de consistencia casi siempre aparecen en uno o dos personajes, no en los cinco a la vez.
- Para cualquier personaje que se haya desviado, ejecuta una edición o un pase de referencia a imagen solo en esa región o personaje, introduciendo la referencia correcta de nuevo, en lugar de regenerar todo el frame desde cero.
Debido a que la forma exacta de la solicitud (cómo se adjuntan las referencias, cuántos campos, cómo se nombra cada uno) pertenece a la especificación de la API y puede cambiar, confirma la estructura actual en atlascloud.ai/docs bajo la sección de modelos de imagen en lugar de programar suposiciones. La técnica anterior es válida independientemente de los nombres de los campos.
Cómo hacerlo en Atlas Cloud
Atlas Cloud es una plataforma de inferencia de IA multimodal que selecciona más de 300 modelos de última generación en texto, imagen y video detrás de un único endpoint compatible con OpenAI. Toda la familia Nano Banana vive en ese mismo endpoint, accesible con una clave API y una cuenta de facturación, lo cual es importante aquí porque un proyecto con múltiples personajes tiende a alternar entre niveles mientras iteras.
Para esta tarea específica tienes dos niveles sensatos:
- Nano Banana 2 Lite es el nivel enfocado en la eficiencia que admite explícitamente hasta 14 imágenes de referencia, composición multi-imagen y 14 relaciones de aspecto, a USD0.04 por imagen (el nivel de desarrollador lo reduce a USD0.028, una reducción del 30%). Su latencia inferior a 2 segundos lo convierte en la elección natural para el bucle iterativo que requiere este flujo de trabajo, donde generas, compruebas cinco rostros, corriges uno y generas de nuevo. Cuando tu tarea es literalmente "combinar 14 referencias", este es el nivel cuyo conjunto de funciones documentado encaja.
- Nano Banana Pro es la línea Pro de mayor calidad (familia Gemini 3 Image Pro de Google) con salida 1K, 2K y 4K. El texto a imagen estándar y la edición cuestan USD0.14 por imagen, las variantes Ultra cuestan USD0.15, y el nivel de desarrollador reduce la tarifa estándar a la mitad, a USD0.07. Opta por Pro cuando el frame final necesite calidad de entrega a alta resolución y estés dispuesto a cambiar la comodidad específica de 14 imágenes del nivel Lite por calidad de acabado.
Un patrón práctico es componer e iterar en el nivel Lite, donde el flujo de trabajo de imágenes de referencia y la baja latencia hacen que el ensayo y error sea económico, y luego producir el frame final bloqueado en Pro a la resolución que necesites. Cada modelo muestra su precio en vivo junto al botón "Run" en el Playground, por lo que confirmas el costo exacto por imagen antes de escribir cualquier código, y todo el catálogo se puede explorar en atlascloud.ai/models. Debido a que el endpoint es compatible con OpenAI, una aplicación ya construida sobre el SDK de OpenAI llega a estos modelos cambiando la base_url y la clave API, sin necesidad de reescribir nada.
Consejos para mantener consistentes a cinco personajes
- Bloquea tu lenguaje descriptivo pronto. Escribe las cinco descripciones de personajes de una sola línea, guárdalas y pégalas sin cambios en cada prompt. Cambiar la redacción de un personaje a mitad del proyecto es la causa más común de desviación.
- Mantén la referencia de mayor calidad para cada rostro. Una referencia limpia, bien iluminada y de frente le da al modelo mucho más de donde anclarse que un recorte borroso, y vale la pena en cada frame en el que aparece ese personaje.
- Reduce la competencia en un solo frame. Cinco personajes más catorce referencias es mucho para equilibrar. Si dos personajes siguen mezclándose, genéralos en una agrupación más estrecha o divide la escena y haz un composite, en lugar de forzar a los cinco en un solo pase abarrotado.
- Reutiliza tu mejor salida como referencia. Una vez que un personaje se vea bien, vuelve a introducir ese frame mediante el modo de referencia a imagen para que las generaciones posteriores hereden el aspecto aprobado en lugar de volver a generarlo.
- Corrige localmente, no globalmente. Cuando un rostro falle, edita ese personaje en lugar de regenerar toda la composición, lo que protege a los cuatro personajes que ya salieron correctamente.
Preguntas frecuentes
Q: ¿Qué nivel de Nano Banana admite realmente 14 imágenes de referencia? A: Nano Banana 2 Lite es el nivel documentado para admitir hasta 14 imágenes de referencia más composición multi-imagen, a USD0.04 por imagen. Nano Banana Pro es la línea de mayor calidad 1K/2K/4K a USD0.14 - USD0.15 por imagen, ideal para un frame final de calidad de entrega.
Q: ¿Cómo evito que el modelo intercambie los rostros de mis personajes? A: Dale a cada personaje una etiqueta estable y un descriptor fijo de una línea, ancla cada etiqueta a su imagen de referencia y reutiliza ese lenguaje exacto en cada prompt. Los personajes nombrados y descritos de manera consistente tienen muchas menos probabilidades de difuminarse entre sí.
Q: ¿Necesito un parámetro de API especial para adjuntar referencias? A: La técnica es conceptual: nombra a tus personajes, etiqueta cada uno a una referencia y usa el modo de edición o de referencia a imagen para los aspectos conocidos. Para conocer la forma exacta de la solicitud y los nombres de los campos, consulta la documentación de los modelos de imagen en atlascloud.ai/docs, ya que es la fuente oficial.
Q: ¿Puedo usar ambos niveles en un proyecto sin cuentas separadas? A: Sí. Tanto Nano Banana 2 Lite como Nano Banana Pro se encuentran en el mismo endpoint de Atlas Cloud, por lo que una clave API y una cuenta de facturación cubren la iteración en Lite y el acabado en Pro.
Q: ¿Qué pasa si dos personajes siguen fusionándose en una escena abarrotada? A: Reduce la carga en un solo pase. Usa una colocación espacial explícita en el prompt, genera los dos personajes problemáticos en un grupo más claro, o divide la escena y haz un composite de los resultados en lugar de forzar a los cinco en un frame denso.
Resumen
Combinar catorce referencias manteniendo la consistencia de cinco personajes tiene menos que ver con un ajuste oculto y más con la estructura: ordena tus referencias por rol, dale a cada personaje una etiqueta estable y un descriptor que reutilices palabra por palabra, ancla cada etiqueta a su referencia y apóyate en el modo de edición o referencia a imagen para bloquear los aspectos que ya has logrado. En Atlas Cloud, Nano Banana 2 Lite es el nivel creado para el flujo de trabajo de 14 imágenes y composición multi-imagen a USD0.04 por imagen, mientras que Nano Banana Pro ofrece el acabado de alta resolución a USD0.14 - USD0.15, ambos con una clave compatible con OpenAI. Itera de forma económica en Lite, termina en Pro y confirma la forma exacta de la solicitud en la documentación antes de construir.
