Googleが開発した「Gemini 2.5 Flash Image」（通称「Nano Banana」）を活用したAI画像編集エージェントの構築手法を解説。一連のテキスト指示でキャラクターの一貫性を維持し、背景変更やスタイル統合など高度な編集を実現。Streamlitと連携し、リアルタイムで画像生成と対話型編集を可能にする開発事例。

最近、個人開発プロジェクトとして「Nano Banana」と呼ばれるAI画像編集エージェントの構築に取り組んだ。従来、画像生成は別ツールで行い、ダウンロード後にコードに組み込む必要があり、作業が煩雑だった。そんな中、AIモデル比較サイト「LMArena」に突如登場した「Nano Banana」（正式名称はGoogleのGemini 2.5 Flash Image Preview）が注目を集めている。公式発表はなく、謎に包まれた存在だが、その高い正確性と一貫性の維持能力により、AIコミュニティで大きな話題となっている。 従来のDALL-EやMidjourney、Stable Diffusionなどは、画像生成の精度や一貫性に課題があったが、Nano Bananaはテキスト指示だけで複数画像のキャラクター統一、背景変更、表情修正、色調調整、黒白写真の彩色など、複雑な編集を一度に実行できる。特に、複数のステップで指示を出しても、前回の生成内容を正確に継承する点が画期的だ。これにより、プロトタイピング段階での試行錯誤が大幅に削減され、後工程での修正作業も最小限に抑えられる。 実際に開発環境に統合した結果、ユーザーがテキスト入力と画像アップロードを行うと、AIエージェントがシステムプロンプト（編集指示の明示）とユーザー入力を組み合わせ、Gemini 2.5モデルにリクエストを送信。モデルはテキストと画像の両方を解析し、生成された画像と変更内容の説明を返す。返されたデータはStreamlit上でテキストと画像としてリアルタイム表示され、セッション状態に保存されるため、会話の履歴をもとに継続的な編集が可能になる。 このエージェントは、AI生成の「試行錯誤」から「意図的かつ正確な創造」へとプロセスを変革する。特に、キャラクターの統一性やテキスト・ロゴの正確な再現、SynthIDによるAI生成画像のデジタルウォーターマーク付加といった機能は、商業利用にも十分対応できる。Googleの大規模言語モデル「Gemini」の知識統合能力を活かし、論理的整合性のある画像生成も実現している。 結論として、Nano Banana（Gemini 2.5 Flash Image Preview）は、AI画像生成の新たな基準を築く存在であり、クリエイティブ業界や開発プロセスそのものを変える可能性を秘めている。今後、AIと人間の協働がより深く、生産的に進むことが期待される。