Como combinar 14 imagens de referência com o Nano Banana mantendo a consistência de 5 personagens

Você tem uma cena em mente: cinco personagens recorrentes, um cenário específico, um ou dois adereços e uma paleta de cores que você já definiu em trabalhos anteriores. Você reuniu o material de referência, quatorze imagens no total, e agora quer um único frame gerado que reúna tudo isso sem que nenhum de seus personagens sofra distorção facial. Qualquer pessoa que tenha tentado isso manualmente sabe que a parte difícil não é a composição. É manter cada personagem reconhecível quando o modelo está equilibrando tantos inputs ao mesmo tempo.

Este guia explica como a família Nano Banana lida com a composição de referência de múltiplas imagens, como estruturar suas referências e seu prompt para que cinco personagens distintos permaneçam consistentes, e qual nível escolher dependendo se você está otimizando para qualidade bruta ou para o fluxo de trabalho específico de 14 imagens.

O que a composição de referência de múltiplas imagens realmente faz

A maioria dos modelos de imagem permite que você forneça uma referência e direcione o resultado para ela. A composição de referência de múltiplas imagens é um passo adiante: você fornece várias imagens de uma vez, e o modelo trata cada uma como uma fonte de informação visual que pode ser utilizada ao criar um novo frame. Uma imagem pode contribuir com o rosto de um personagem, outra com um figurino, outra com a iluminação de uma sala, outra com o formato de um adereço.

O valor para uma cena com vários personagens é óbvio. Em vez de descrever cinco rostos com palavras e esperar que o modelo invente algo próximo, você entrega a referência real de cada personagem. O modelo possui âncoras visuais diretas para trabalhar, o que torna a consistência possível.

Dentro da família Nano Banana no Atlas Cloud, essa capacidade está documentada no [Nano Banana 2 Lite](https://www.atlascloud.ai/models/nanobanana-2), que suporta até 14 imagens de referência além da composição de múltiplas imagens em 14 proporções, com latência inferior a 2 segundos. Esse é o nível cujo conjunto de recursos mapeia diretamente para a tarefa de "combinar 14 referências". O Nano Banana Pro é a linha de maior qualidade, desenvolvida para saídas em 1K, 2K e 4K quando o acabamento do frame é mais importante do que a quantidade bruta de entradas. Veremos como escolher entre eles abaixo.

A consistência dos personagens é um problema de marcação e descrição

Entregar ao modelo quatorze imagens é apenas metade do trabalho. Se você inserir cinco referências de personagens em uma solicitação sem estrutura, o modelo não terá uma maneira confiável de saber qual rosto pertence a qual personagem em sua cena, e é exatamente aí que as identidades se misturam ou se trocam.

A solução é tratar cada personagem como uma entidade rotulada, e não como um input anônimo. Três técnicas fazem a maior parte do trabalho:

• Marcação de referência por personagem. Dê a cada personagem um nome ou rótulo estável em seu prompt e associe cada rótulo à sua imagem de referência. Em vez de "cinco pessoas em um café", descreva "Mara (referência 1), Devon (referência 2), Priya (referência 3), Ari (referência 4) e Kaito (referência 5) sentados em uma mesa de canto". A âncora nomeada diz ao modelo qual fonte visual corresponde a qual papel na cena.
• Descritores de prompt consistentes. Mantenha os mesmos descritores distintivos para cada personagem sempre que mencioná-los: cabelo, compleição, roupas, um acessório exclusivo. Se Mara tem "cabelo curto prateado e um cachecol verde" em um prompt, ela deve manter exatamente essas palavras no próximo. Reutilizar a linguagem descritiva em uma série é o que permite que um personagem sobreviva de um frame para o outro.
• Modo de edição e referência para imagem. Quando você já tiver uma boa versão de um personagem ou cena, use o modo de referência para imagem ou modo de edição em vez de começar de um prompt de texto em branco. Fornecer ao modelo sua saída anterior como referência fixa a aparência que você já alcançou, em vez de pedir que ele reinvente o personagem.

Nada disso depende de um parâmetro secreto. É uma estrutura disciplinada: nomeie seus personagens, ancore cada nome a uma referência e nunca deixe a linguagem descritiva oscilar.

Passos da técnica principal para um frame de 14 imagens e 5 personagens

Aqui está uma ordem de operações repetível que mantém o processo gerenciável.

• Classifique suas quatorze referências por função antes de escrever qualquer coisa. Agrupe-as: cinco são rostos de personagens, o restante são cenário, figurino, adereços e paleta. Saber o que cada imagem contribui impede que você as descreva todas como intercambiáveis.
• Atribua um rótulo estável a cada um dos cinco personagens e escreva um descritor de uma linha para cada um, que você reutilizará literalmente em cada geração.
• Escreva o prompt de composição para que ele faça referência aos personagens por seus rótulos e os coloque na cena explicitamente ("da esquerda para a direita", "em primeiro plano", "atrás do balcão"). Instruções espaciais reduzem a chance de dois personagens se fundirem.
• Anexe as referências na solicitação e descreva para que serve cada grupo de referências, para que o modelo saiba que uma determinada imagem é um rosto a ser preservado versus uma sala da qual emprestar a iluminação.
• Gere e, em seguida, inspecione cada um dos cinco rostos individualmente. Problemas de consistência quase sempre aparecem em um ou dois personagens, não em todos os cinco de uma vez.
• Para qualquer personagem que tenha se distorcido, execute uma edição ou uma passagem de referência para imagem apenas nessa região ou personagem, fornecendo a referência correta novamente, em vez de regenerar o frame inteiro do zero.

Como o formato exato da solicitação (como as referências são anexadas, quantos campos, como cada um é nomeado) pertence à especificação da API e pode mudar, confirme a estrutura atual em atlascloud.ai/docs na seção de modelos de imagem, em vez de codificar suposições. A técnica acima permanece válida independentemente dos nomes dos campos.

Fazendo isso no Atlas Cloud

O Atlas Cloud é uma plataforma de inferência de IA multimodal completa que organiza mais de 300 modelos SOTA em texto, imagem e vídeo por trás de um endpoint compatível com OpenAI. Toda a família Nano Banana vive nesse mesmo endpoint, acessível com uma chave de API e uma conta de faturamento, o que é importante aqui porque um projeto com vários personagens tende a alternar entre níveis conforme você itera.

Para esta tarefa específica, você tem dois níveis sensatos:

• Nano Banana 2 Lite é o nível focado em eficiência que suporta explicitamente até 14 imagens de referência, composição de múltiplas imagens e 14 proporções, a USD0.04 por imagem (o nível de Desenvolvedor cai para USD0.028, uma redução de 30%). Sua latência inferior a 2 segundos o torna a escolha natural para o ciclo iterativo que este fluxo de trabalho exige, onde você gera, verifica cinco rostos, corrige um e gera novamente. Quando sua tarefa é literalmente "combinar 14 referências", este é o nível cujo conjunto de recursos documentados se encaixa.
• Nano Banana Pro é a linha Pro de maior qualidade (família Gemini 3 Image Pro do Google) com saída em 1K, 2K e 4K. O texto para imagem e edição padrão custam USD0.14 por imagem, as variantes Ultra texto para imagem e Edit Ultra custam USD0.15, e o nível de Desenvolvedor reduz pela metade a taxa padrão para USD0.07. Escolha o Pro quando o frame final precisar ter qualidade de entrega em alta resolução e você estiver disposto a trocar a conveniência específica de 14 imagens do nível Lite pela qualidade de acabamento.

Um padrão prático é compor e iterar no nível Lite, onde o fluxo de trabalho de imagem de referência e a baixa latência tornam a tentativa e erro barata, depois produzir o frame final bloqueado no Pro na resolução que você precisa. Cada modelo mostra seu preço ao vivo ao lado do botão Run no Playground, para que você confirme o custo exato por imagem antes de escrever qualquer código, e o catálogo completo pode ser consultado em atlascloud.ai/models. Como o endpoint é compatível com OpenAI, um aplicativo já criado com o SDK da OpenAI alcança esses modelos alterando o base_url e a chave de API, sem necessidade de reescrita.

Dicas para manter cinco personagens consistentes

• Bloqueie sua linguagem de descritor cedo. Escreva as cinco descrições de personagem de uma linha uma vez, salve-as e cole-as inalteradas em cada prompt. Mudar a redação de um personagem no meio do projeto é a causa mais comum de distorção.
• Mantenha a referência de maior qualidade para cada rosto. Uma referência limpa, bem iluminada e voltada para a frente dá ao modelo muito mais pontos de ancoragem do que um recorte borrado, e isso compensa em cada frame em que o personagem aparece.
• Reduza a competição em um único frame. Cinco personagens mais quatorze referências é muito para equilibrar. Se dois personagens continuarem se misturando, gere-os em um agrupamento mais fechado ou divida a cena e componha, em vez de forçar todos os cinco em uma passagem lotada.
• Reutilize sua melhor saída como referência. Assim que um personagem parecer correto, insira esse frame de volta via modo de referência para imagem para que as gerações posteriores herdem a aparência aprovada em vez de recriá-la.
• Corrija localmente, não globalmente. Quando um rosto escorregar, edite aquele personagem em vez de regenerar a composição inteira, o que protege os quatro personagens que já saíram corretamente.

FAQ

P: Qual nível do Nano Banana realmente suporta 14 imagens de referência? R: O Nano Banana 2 Lite é o nível documentado para suportar até 14 imagens de referência além da composição de múltiplas imagens, a USD0.04 por imagem. O Nano Banana Pro é a linha de 1K/2K/4K de maior qualidade a USD0.14 a USD0.15 por imagem, ideal para um frame final de qualidade de entrega.

P: Como faço para impedir que o modelo troque os rostos dos meus personagens? R: Dê a cada personagem um rótulo estável e um descritor de uma linha fixo, ancore cada rótulo à sua imagem de referência e reutilize exatamente essa linguagem em cada prompt. Personagens nomeados e descritos de forma consistente têm muito menos probabilidade de se confundirem.

P: Preciso de um parâmetro de API especial para anexar referências? R: A técnica é conceitual: nomeie seus personagens, marque cada um com uma referência e use o modo de edição ou referência para imagem para aparências conhecidas. Para o formato exato da solicitação e nomes de campos, verifique a documentação dos modelos de imagem em atlascloud.ai/docs, já que essa é a fonte oficial.

P: Posso usar ambos os níveis em um projeto sem contas separadas? R: Sim. Tanto o Nano Banana 2 Lite quanto o Nano Banana Pro estão no mesmo endpoint do Atlas Cloud, portanto, uma chave de API e uma conta de faturamento cobrem a iteração no Lite e a finalização no Pro.

P: E se dois personagens continuarem se fundindo em uma cena lotada? R: Reduza a carga em uma única passagem. Use colocação espacial explícita no prompt, gere os dois personagens problemáticos em um agrupamento mais claro ou divida a cena e componha os resultados em vez de forçar todos os cinco em um frame denso.

O resultado final

Combinar quatorze referências mantendo cinco personagens consistentes não se trata de uma configuração oculta, mas de estrutura: classifique suas referências por função, dê a cada personagem um rótulo estável e um descritor que você reutiliza literalmente, ancore cada rótulo à sua referência e apoie-se no modo de edição ou referência para imagem para fixar aparências que você já alcançou. No Atlas Cloud, o Nano Banana 2 Lite é o nível criado para o fluxo de trabalho de composição de 14 imagens por USD0.04 por imagem, enquanto o Nano Banana Pro oferece o acabamento de alta resolução por USD0.14 a USD0.15, ambos em uma chave compatível com OpenAI. Itere de forma econômica no Lite, finalize no Pro e confirme o formato exato da solicitação nos documentos antes de construir.