API 文档

Nano Banana 简介

Nano Banana 是 Gemini 原生图片生成能力的统称。模型可对话式地生成与处理图像，支持纯文本、参考图、多轮历史组合输入，实现文生图、局部编辑、风格迁移与复杂排版。

所有生成图片均含 SynthID 数字水印。计费按 Token 用量，详见「定价与计费」。

如何选择模型

• 日常 / 高并发 → gemini-3.1-flash-image（Nano Banana 2）
• 海报、信息图、精确文字、复杂构图 → gemini-3-pro-image（Pro）
• 简单图标、快速草稿 → gemini-2.5-flash-image

图片工作室

登录控制台 →「图片工作室」，可在网页上调试 Prompt、管理多轮历史与参考图。 生产环境请使用下方 REST 接口，Base URL 为 https://api.aisoui.com/v1beta。

单次生成通常 30 秒～2 分钟；4K 或复杂 Prompt 可能更久。建议客户端超时 ≥ 120s。

文生图（Text-to-Image）

调用 generateContent，在 generationConfig 中设置 responseModalities: ["TEXT", "IMAGE"]。响应 parts 中可能同时包含说明文字与 inlineData 图片（Base64）。

curl -s -X POST \
  "https://api.aisoui.com/v1beta/models/gemini-3.1-flash-image:generateContent" \
  -H "Authorization: Bearer sk-xxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [{
      "parts": [
        {"text": "Create a picture of a nano banana dish in a fancy restaurant with a Gemini theme"}
      ]
    }],
    "generationConfig": {
      "responseModalities": ["TEXT", "IMAGE"]
    }
  }'

for (const part of response.candidates[0].content.parts) {
  if (part.text) {
    console.log(part.text)
  } else if (part.inlineData) {
    const buffer = Buffer.from(part.inlineData.data, 'base64')
    fs.writeFileSync('output.png', buffer)
  }
}

图生图与编辑（Text + Image → Image）

在 parts 中同时传入文本与 inline_data，可添加/删除元素、改风格、换背景、inpainting 语义蒙版等。请确保对上传图片拥有合法使用权。

• 元素增删：「在这张猫照片上给它加一顶针织巫师帽，光线与原图一致」
• 语义 inpainting：「只把蓝色沙发换成棕色 Chesterfield，其余不变」
• 高保真保留：详细描述需保留的人脸/Logo 细节 + 修改项
• 多图合成：最多 14 张参考（3.1 Flash：10 物体 + 4 角色；Pro：6 物体 + 5 角色）

curl -s -X POST \
  "https://api.aisoui.com/v1beta/models/gemini-3.1-flash-image:generateContent" \
  -H "Authorization: Bearer sk-xxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [{
      "parts": [
        {"text": "Create a picture of my cat eating a nano-banana in a fancy restaurant"},
        {"inline_data": {"mime_type": "image/png", "data": "<BASE64_IMAGE_DATA>"}}
      ]
    }],
    "generationConfig": {
      "responseModalities": ["TEXT", "IMAGE"],
      "imageConfig": {"aspectRatio": "16:9", "imageSize": "2K"}
    }
  }'

多轮对话式编辑

推荐用多轮会话迭代图片：每轮将上一轮 model 输出的图片放入 contents 数组，再发送新指令。

Gemini 3 图像模型在复杂 Prompt 下会启用 Thinking：可能先产生 interim「思考图」（默认不展示、不计入最终输出），再生成终稿。多轮时需保留 thought_signature（官方 SDK 自动处理；手动拼 history 时需按官方说明回传）。

{
  "contents": [
    {
      "role": "user",
      "parts": [{"text": "Create a vibrant infographic explaining photosynthesis…"}]
    },
    {
      "role": "model",
      "parts": [{"inline_data": {"mime_type": "image/png", "data": "<PREVIOUS_IMAGE>"}}]
    },
    {
      "role": "user",
      "parts": [{"text": "Update this infographic to be in Spanish. Do not change layout."}]
    }
  ],
  "generationConfig": {
    "responseModalities": ["TEXT", "IMAGE"],
    "imageConfig": {"aspectRatio": "16:9", "imageSize": "2K"}
  }
}

Gemini 3 图像模型能力

完整像素与 Token 对照见 Google 官方文档 Aspect ratios 表格。

generateContent 常用参数

请求体遵循 Gemini API 格式。路径中的 {model} 为模型 ID（如 gemini-3.1-flash-image）。

解析响应

成功时返回 Gemini 标准 JSON。遍历 candidates[0].content.parts， 其中 inlineData 为 Base64 图片；跳过 thought: true 的中间图（除非调试）。 Token 用量见 usageMetadata。

{
  "candidates": [{
    "content": {
      "parts": [
        { "text": "Generated an isometric city scene…" },
        { "inlineData": { "mimeType": "image/png", "data": "<BASE64>" } }
      ]
    }
  }],
  "usageMetadata": {
    "promptTokenCount": 1120,
    "candidatesTokenCount": 1120
  }
}

Prompt 指南与示例

描述场景，不要只列关键词。叙事性段落几乎总是比标签堆叠效果更好。

专业技巧

• 极度具体：写材质、光线、镜头、情绪，而非「高质量」「精美」
• 说明用途：「高端护肤品牌极简 Logo」比「做个 Logo」更好
• 分步指令：复杂场景拆成「先背景 → 再主体 → 再文字」
• 迭代 refine：「很好，把光线再暖一点」「保持构图，只改文字为西班牙语」
• 相机语言：wide-angle、macro、low-angle、85mm bokeh 等
• 语义负向：用正向描述替代「不要车」→「空无一车的安静街道」

限制与最佳实践

• 最佳语言：中文、英语及 Google 文档列出的主要语言
• 不支持透明背景 PNG；需要透明请后期抠图
• 不保证严格输出用户指定的图片张数
• 2.5 Flash 参考图建议 ≤3 张；3 Pro 高保真 ≤5 张，合计最多 14 张
• 含文字的复杂排版：建议 Pro 或 3.1 Flash + 2K/4K
• 上传人物/品牌素材请遵守版权与 Google 使用政策
• 失败常见原因：余额不足、安全过滤、上游超时 — 见「错误处理」