Nano Banana 2 Reference-to-Image API by Google

Nano Banana 2 — คุณภาพระดับ Pro ความเร็วระดับ Flash

V2

หรือที่รู้จักในชื่อ Gemini 3.1 Flash Image

โมเดลภาพล่าสุดจาก Google DeepMind ที่ผสมผสานความสามารถขั้นสูงของ Nano Banana Pro เข้ากับความเร็วของ Gemini Flash — สร้างภาพเร็วขึ้น 3-5 เท่า รองรับความละเอียดสูงสุด 4K และรักษาความสม่ำเสมอของตัวละครได้ถึง 5 ตัวในเวิร์กโฟลว์เดียว

การสร้างภาพยุคใหม่

• เอาต์พุตความละเอียดสูงสุด 4K (ระดับ 512px / 1K / 2K / 4K)
• อัตราส่วนภาพ 10+ แบบ รวมถึง 21:9, 1:4, 8:1 และอื่นๆ
• แสดงผลข้อความในภาพได้แม่นยำและอ่านง่าย
• คุณภาพใกล้เคียง Pro (~95%) ด้วยความเร็ว Flash

การแก้ไขอัจฉริยะและความสม่ำเสมอ

• ความสม่ำเสมอของตัวละครสูงสุด 5 ตัวข้ามฉาก
• ความถูกต้องของวัตถุสูงสุด 14 ชิ้นในเวิร์กโฟลว์เดียว
• แก้ไขเฉพาะจุดด้วยภาษาธรรมชาติ (ลบ, แทนที่, เปลี่ยนท่าทาง)
• ผสมผสานหลายภาพและจัดองค์ประกอบแบบไร้รอยต่อ

มีอะไรใหม่ใน Nano Banana 2

เร็วกว่า Pro 3-5 เท่า

สร้างบนสถาปัตยกรรม Gemini 3.1 Flash ทำให้ Nano Banana 2 สร้างภาพมาตรฐานได้ใน 4-8 วินาที — เทียบกับ 10-20 วินาทีของ Nano Banana Pro

การค้นหาภาพอ้างอิง

ฟีเจอร์เด่นของ NB2 — สามารถดึงภาพอ้างอิงจากโลกจริงผ่าน Google Search ระหว่างการสร้างภาพ ช่วยเพิ่มความแม่นยำอย่างมากสำหรับสถานที่สำคัญ บุคคลที่มีชื่อเสียง และโลโก้แบรนด์

แสดงผลข้อความแม่นยำ

สร้างข้อความที่แม่นยำและอ่านง่ายสำหรับม็อกอัพการตลาด การ์ดอวยพร และเนื้อหาท้องถิ่น คุณยังสามารถแปลและปรับข้อความให้เหมาะกับท้องถิ่นภายในภาพได้

ความสม่ำเสมอแบบหลายตัวละคร

รักษาความสม่ำเสมอทางภาพสำหรับตัวละครสูงสุด 5 ตัวและวัตถุ 14 ชิ้นข้ามฉาก — เหมาะสำหรับสตอรีบอร์ด การ์ตูน และแคมเปญการตลาด

Prompt Examples & Templates

Explore curated prompt templates showcasing Nano Banana 2's key capabilities — text rendering, character consistency, search grounding, and 4K output.

Text Rendering

Marketing Mockup with Text

Generate marketing visuals with accurate, legible text — one of NB2's standout improvements

PromptCopy

A minimalist coffee shop promotional poster with the text 'MORNING BREW — Fresh Roasted Daily' in elegant serif font, warm earth tones, steam rising from a ceramic cup, clean layout with plenty of whitespace

Character Consistency

Multi-Scene Character

Maintain character consistency across multiple scenes — supports up to 5 characters per workflow

PromptCopy

A young woman with short red hair and freckles, wearing a green jacket, standing in a rainy Tokyo street at night with neon reflections on wet pavement, cinematic lighting, photorealistic

Photo to Action Figure

Person to Action Figure

Transform people from photos into collectible action figures with custom packaging

PromptCopy

Transform the person in the photo into an action figure, styled after [CHARACTER_NAME] from [SOURCE / CONTEXT]. Next to the figure, display the accessories including [ITEM_1], [ITEM_2], and [ITEM_3]. On the top of the toy box, write "[BOX_LABEL_TOP]", and underneath it, "[BOX_LABEL_BOTTOM]". Place the box in a [BACKGROUND_SETTING] environment.

Search Grounding

Real-World Reference Generation

Leverage Image Search Grounding to generate accurate real-world subjects like landmarks and brands

PromptCopy

A photorealistic aerial view of the Eiffel Tower at golden hour, with the Seine River winding through Paris below, warm sunset light casting long shadows, high detail, 4K resolution

Product Photography

Product Design Render

Create professional product photography with precise control over lighting and composition

PromptCopy

A frosted glass perfume bottle with a marble cap on a white marble surface, soft studio lighting from the left, subtle reflections, minimalist luxury aesthetic, product photography style

Style Transfer

Artistic Style Transformation

Apply diverse artistic styles while maintaining subject integrity

PromptCopy

Transform this photo into Studio Ghibli animation style, keeping the same composition and subjects, lush watercolor backgrounds, soft diffused lighting, whimsical atmosphere

4K Output

Ultra High Resolution Scene

Generate detailed scenes at up to 4K resolution with rich textures

PromptCopy

A cozy Japanese ramen shop interior at night, steam rising from bowls, warm amber lighting, detailed wooden counter with various condiments, a chef working in the background, 4K, ultra detailed

Nano Banana 2 is powered by Gemini 3.1 Flash Image — Google DeepMind

กรณีการใช้งาน

🎬

สตอรีบอร์ดและการ์ตูน

📸

ถ่ายภาพสินค้า

📊

ม็อกอัพการตลาด

📱

เนื้อหาโซเชียลมีเดีย

🔤

ออกแบบข้อความซ้อนทับ

👤

ออกแบบตัวละคร

✨

แก้ไขและรีทัชภาพ

🎨

เนื้อหาภาพแบรนด์

ทำไมต้องเลือก Nano Banana 2?

⚡

ความเร็วระดับ Flash

เร็วกว่า Nano Banana Pro 3-5 เท่า ใช้เวลาสร้างภาพมาตรฐานเพียง 4-8 วินาที

🎯

คุณภาพใกล้เคียง Pro

ได้คุณภาพภาพประมาณ 95% ของ Pro ในสถานการณ์ส่วนใหญ่

💰

คุ้มค่า

ค่าใช้จ่ายประมาณครึ่งหนึ่งของ Nano Banana Pro — ทำให้การสร้างภาพ AI คุณภาพสูงเข้าถึงได้ง่ายขึ้น

ข้อมูลจำเพาะทางเทคนิค

สถาปัตยกรรม:Gemini 3.1 Flash (GEMPIX2)

รองรับความละเอียด:512px ถึง 4K (ระดับ 512px / 1K / 2K / 4K)

อัตราส่วนภาพ:1:1, 4:3, 3:4, 2:3, 3:2, 16:9, 9:16, 1:4, 4:1, 8:1, 21:9

ความสม่ำเสมอ:สูงสุด 5 ตัวละคร + 14 วัตถุต่อเวิร์กโฟลว์

ความปลอดภัยเนื้อหา:ลายน้ำ SynthID รองรับมาตรฐาน C2PA

การเข้าถึง API:Gemini API, Vertex AI, AI Studio, Gemini CLI

สัมผัส Nano Banana 2

สร้างภาพระดับ Pro ด้วยความเร็ว Flash — สร้างภาพสวยงามพร้อมความสม่ำเสมอของตัวละคร การแสดงผลข้อความ และรองรับความละเอียด 4K

✨เครดิตฟรีเพื่อเริ่มต้น

⚡เข้าถึง API ทันที

🌐ไม่ต้องตั้งค่าใดๆ

Google Nano Banana 2 Reference to Image

Nano Banana 2 Reference to Image (Gemini 3.1 Flash Image) is Google's advanced AI-powered video-to-image generation model, designed to generate high-quality static images from video clips combined with text instructions. Built on the same cutting-edge model as Nano Banana 2 Edit, it adds the ability to use video content as a rich reference source — extracting visual context, themes, and key frames to synthesize new images with precision and semantic awareness.

This model is ideal for creating thumbnails, posters, promotional artwork, and scene summaries by leveraging the visual richness of existing video content alongside natural language guidance.

Why Choose This?

• Video as reference — Provide a video clip (HTTP URL or YouTube URL) and let the model extract its visual context to guide image generation.

• Multi-image reference — Optionally upload up to 10 additional reference images to complement the video input for complex compositions.

• Natural language control — Describe exactly what you want with a text prompt; the model understands context, themes, and relationships from both the video and text.

• Thinking levels — Choose how much internal reasoning the model applies — higher thinking levels improve quality on complex tasks.

• Media resolution control — Balance detail and token usage for input video frames with LOW, MEDIUM, or HIGH media resolution modes.

• Web & image search grounding — Optionally enable real-time web or image search to enrich generation with current information.

• Multi-resolution output — Generate at 1K, 2K, or 4K resolution.

• Flexible aspect ratios — Multiple options including 1:1, 3:2, 2:3, 3:4, 4:3, 4:5, 5:4, 9:16, 16:9, and 21:9.

• Format choice — Export in PNG or JPEG format.

How It Works

The model analyzes your video clip by sampling frames at the specified FPS rate, then interprets the visual content within its multimodal context window. Combined with your text prompt and any additional reference images, it synthesizes a new image grounded in the video's themes, style, and key visual elements. This makes it especially powerful for creating content that is visually consistent with existing video assets.

Parameters

Core Inputs

Video Clip Fields

Output Options

Advanced Options

How to Use

1. Provide a video clip — enter the video URL (HTTP or YouTube) and set start/end times and FPS sampling rate.
2. Write your prompt — describe the output image clearly (e.g., "Create a cinematic poster based on the key scenes in this video").
3. Add reference images (optional) — upload additional images to guide composition or style.
4. Choose aspect ratio (optional) — select a preset or leave empty for default.
5. Select resolution — choose 1K, 2K, or 4K based on your quality needs.
6. Choose output format — PNG for transparency support, JPEG for smaller file size.
7. Adjust advanced settings (optional) — set thinking level, media resolution, or enable search grounding.
8. Run — submit and download your generated image.

Pricing

The total cost is determined by the output image resolution multiplied by the number of output images, plus optional per-request fees for video clip input, web search, and image search grounding.

SKU Prices

Pricing Formula

cost = (resolution == "2k" ? sku_2k : (resolution == "4k" ? sku_4k : sku_1k)) * images
     + (enable_web_search ? sku_web_search : 0)
     + (enable_image_search ? sku_image_search : 0)
     + (len(video_clips) > 0 ? sku_video_clip : 0)

Examples:

The video clip fee ($0.07), web search fee ($0.014), and image search fee ($0.014) are each charged once per request when the respective feature is enabled, regardless of content volume.

Best Use Cases

• Video Thumbnail Generation — Automatically create compelling thumbnails that reflect the video's content and mood.
• Promotional Posters — Generate movie-style or campaign posters grounded in actual video footage.
• Scene Summarization Art — Create visual summaries or highlight artwork from long-form video content.
• Brand Content Creation — Produce consistent image assets from brand video campaigns.
• Educational Infographics — Transform instructional videos into static visual materials.
• Social Media Assets — Generate platform-optimized images (vertical, square, landscape) from video content.

Pro Tips

• Use low FPS (0.5–1) for long videos to keep token usage within limits while still capturing key frames.
• Set precise start/end times to focus the model on the most relevant segment of your video.
• Combine specific text prompts with the video input — vague prompts may produce generic results.
• Add reference images alongside the video to guide composition style more precisely.
• Use thinking_level: high for complex scene interpretations or when visual fidelity matters most.
• Set media_resolution: low when analyzing long videos to allow more frames within the context window.
• 2K offers excellent quality at a reasonable price — only $0.04 more than 1K per image.
• YouTube URLs are supported directly — no need to download and re-upload public videos.

Notes

• Both prompt and video_clips are required fields.
• Maximum video clips: 1 per request.
• HTTP video URLs are limited to 15MB; use YouTube URLs for larger videos.
• Maximum additional reference images: 10.
• FPS range: 0–24. Higher FPS captures more frames but consumes more tokens.
• The video clip fee ($0.07) is a flat per-request charge, not per frame or per second.
• If aspect_ratio is not selected, the model uses a default ratio.
• 4K resolution costs 2× the standard 1K rate.
• Ensure your content and prompts comply with Google's Safety Guidelines.

Related Models

• Nano Banana 2 Edit — Edit images using text prompts and reference images (no video input).
• Nano Banana 2 Text-to-Image — Generate images from text prompts only.
• Nano Banana Pro Edit — Pro tier editing with enhanced quality.
• Nano Banana Pro Text-to-Image — Pro tier image generation.