Nano Banana 2.1でキャラクターの一貫性を保つ方法：4通りを実測

2026年11月3日に、言葉だけで設計した架空のキャラクター1人をNano Banana 2.1（gemini-nano-banana-2.1）のGemini APIで3つのシーンに出したところ、銀白のボブ、芥子色のジャケット、銅色のボタンといった画面で大きく見える目印はおおむね残りました。一方、左右で違う目の色と頬の小さな星形の傷は、どの方法でも安定しませんでした。試した4通りのうち最も崩れたのは、直前の出力を次の参照にする「連鎖」で、スカーフが青緑から深緑に変わり、ボタンが灰色になった画像もありました。

したがってキャラ固定は、基準の参照画像を1枚作り、シーンごとに毎回その元画像を渡すところから始めます。キャラクターの見分けどころは髪型・服・小物の色のように大きく写る部分に持たせ、遠景や横顔で見えなくなる顔の小さな特徴には頼らない設計にします。1枚ごとに参照画像と並べて確認し、同じ項目が続けて崩れたら言い換えての再生成をやめ、手順のほうを変えます。

例外は、キャラクターが文章だけで定義されている場合です。今回は属性の文章だけで生成した2枚が最も高く評価されましたが、基準画像そのものが同じ文章から作られていたため、写真やイラストから来たキャラクターにはこの近道がありません。GoogleもNano Banana 2.1のモデルカードで、既知の制限として「Character consistency is not always perfect between input images and generated output image」（入力画像と出力画像のキャラクターの一貫性は常に完全ではない）と書いています。

2026年11月3日のテスト：架空のキャラ1人、3シーン、10回の呼び出し

テストに使ったのは、実在しない女性キャラクター1人です。左右非対称の銀白のボブ、琥珀色と緑の左右で違う目、片方の頬骨の小さな星形の傷、銅色の丸ボタン4つが付いた芥子色のレインジャケット、青緑のニットのスカーフという、見分けどころを大小取り混ぜた設定にしました。この文章から無地背景・上半身の基準画像を1枚生成し、それを参照にして3つのシーン（雨の夜の街を斜め横から、カフェで笑うクローズアップ、朝日の山道で斜め後ろから振り向く全身）を描かせています。

キャラクターを定義した文章は次のとおりで、基準画像はこの前に「Character reference photo:」、後ろに無地のスタジオ背景・正面・自然光の指定を付けて生成しました。

a woman in her late twenties with a short asymmetric silver-white bob that is longer on one side,
one amber eye and one green eye, a small star-shaped scar on one cheekbone,
a mustard-yellow rain jacket with four round copper buttons and a teal knitted scarf

呼び出しはLaoZhangのGeminiネイティブgenerateContentエンドポイント経由で、Googleの公式例にあるInteractions APIではありません。出力は1K、思考レベルは指定なし（既定）、基準画像は1:1、シーンは4:3です。合計10回（基準1回＋シーン9回）の呼び出しはすべてHTTP 200で画像が返り、応答のmodelVersionが毎回gemini-nano-banana-2.1であることを確かめました。1回あたりの所要時間は15.8〜28.2秒でした。GeminiアプリやFlowは呼び出していないため、以下の結果はAPIでの挙動に限ります。

評価は、画像の作り方を知らせずに基準画像とシャッフルしたシーン画像だけを見せた2つのAI評価者（それぞれ新しい文脈）が行いました。採点項目は髪、目、傷、スカーフ、ジャケットとボタン、そして「同じ人物に見えるか」の5段階（5は明らかに同じ女性、3は親族程度、1は別人）です。顔認識のスコアではなく、1つの条件につき1枚ずつ、キャラクター1人、1日、1つのゲートウェイでの結果なので、成功率やベンチマークとして読むものではありません。

使用量の面では、参照画像を1枚入れると入力トークンが約1,080〜1,090増えました（画像なしのプロンプトは84〜98トークン）。思考トークンが報告されたのは10回中1回（194トークン）だけです。LaoZhangのNano Banana 2.1ドキュメントは1回$0.045で、参照画像の枚数や解像度で変わらないとしているので、10回で$0.045×10＝$0.45です。Google直接の料金と2.1の基本的な実測はNano Banana 2.1とは？料金とNano Banana 2との違い、実測6回で確認できます。

注記：laozhang.ai は当ブログ運営チームの自社サービスです。その料金は中立的な比較ではなく、自社の提示価格です。

4通りの比較：髪と服は残り、左右で違う目と傷は消えた

4通りのどれでも、髪型とジャケットの色は大きく崩れませんでした。差が出たのはスカーフの色、ボタン、顔の小さな目印で、最も評価が低かったのは連鎖、最も高かったのは文章だけの2枚です。ただし文章だけの結果には後述の交絡があり、そのまま「文章の方が参照画像より強い」とは読めません。

表の「判定できた1枚」とは、顔が十分に大きく写っていた画像のことです。雨の夜の斜め横と山道の全身では顔が小さく、9枚中4〜5枚で評価者は目と傷を判定できませんでした。

毎回元の参照画像を渡した場合：大きな目印は残り、目の色は消えた

基準画像だけを参照に渡し、「顔、髪、目の色、傷、ジャケット、スカーフを参照と同じに保つ」という一文にシーンの指示を続けた3枚は、同一人物らしさが画像ごとに3、4、3で、2名の評価者の点が一致しました。髪型とジャケットの色はどの画像でも大きく崩れず、クローズアップではスカーフの青緑と銅色のボタンも保たれています。ところが目の色を判断できた唯一の画像であるクローズアップでは、両目とも同じ暗い茶色になり、傷もかすかに見える程度でした。夜の街と山道ではスカーフが暗い緑寄りになり、顔は目と傷を見分けられないほど小さく写りました。保持の指示に「目の色」「傷」と書いてあっても、小さな特徴は参照画像からも指示からも戻りませんでした。

文章だけで説明した場合：点は高いが、写真由来のキャラには当てはまらない

画像を渡さず、キャラクターを定義した文章とシーンの指示だけで生成した2枚は、2名の評価者がそろって4を付けました。スカーフの青緑と銅ボタンは2枚とも残り、左右で違う目の色も2枚中1枚で保たれています。一方で星形の傷は2枚とも反対側の頬に描かれ、細部の位置まで再現されたわけではありません。

この結果には必ず割り引く理由があります。基準画像は同じ文章から生成したものなので、文章だけの生成は、モデルがこの文章に対して描く「いつもの顔」をもう一度出しただけの部分を含みます。写真から取り込んだ人物や、言葉にしきれないイラストのキャラクターには、この再現の近道がありません。名前や服装の説明は「型」を決めるだけで同一人物を決めない、という指摘は、2.1で単一キャラクターを試したAstorieのテスト記事にもあります。

参照画像に属性リストを足した場合：小さな目印は戻らなかった

最初の評価のあとで、基準画像に加えて「次の見分けどころを参照どおりに保つ」として属性の文章をすべて書き足す方法で2枚を追加生成しました。夜の街は同一人物らしさ4（この条件は評価者1名のみ）で、スカーフの青緑、銅ボタン、髪は残りましたが、両目は同じ色になり、傷は描かれませんでした。山道の全身は3で、スカーフは暗い緑寄りでした。左右で違う目と傷を文字で明示しても、この2枚では戻っていません。

直前の出力を参照にするか、元の画像に戻るか：毎回元に戻る

シーンを重ねるときは、毎回同じ元の参照画像を渡す方が安全です。今回、1枚目の出力を2枚目の参照に、2枚目の出力を3枚目の参照にした連鎖は、同一人物らしさが2と2、3と2で4通りの中で最も低く、スカーフは2枚とも深緑にずれ、1枚ではボタンが灰色になり髪に薄紫の色味が乗りました。1回の出力に紛れ込んだ小さな変化が、次の参照としてそのまま引き継がれたと考えられます。毎回元の参照に戻した3枚は3、4、3で、この崩れ方はしていません。

GoogleのGemini API画像生成ガイドは、キャラクターの360°ビューを作る例で「以前に生成した画像を後続のプロンプトに含める」ことを勧めています。これは同じキャラクターの角度を少しずつ変えていく反復の話で、複雑なポーズには選んだポーズの参照画像を足すようにも書かれています。過去の出力を使うなら、承認した出力だけを選び、元の参照画像を外さないのが今回の結果から見た安全側です。ただし、元画像と過去の出力を一緒に渡す組み合わせはこのテストに含まれていません。Astorieのテストも、新しいカメラ距離では元の参照に戻ること、連鎖編集は偶然の変化を持ち越すことを挙げており、方向は今回の結果と一致しています。

GoogleはNano Banana 2.1のモデルページで改善点の一つに「マルチターンでのキャラクターの一貫性」を挙げ、画像生成ガイドでも会話を続けるマルチターン編集を画像を反復する推奨の方法としています。会話の中で編集を重ねる場合も、ずれが見えたら元の参照画像を渡し直す考え方は同じです。会話の2ターン目で400が返る場合は、Nano Banana 2 Thought Signatureエラー：2ターン目の400の直し方で原因を切り分けられます。

残りやすいキャラの設計：目印は髪と服に置き、顔の小さな特徴に頼らない

同じキャラクターだと見分けてもらいたいなら、その手がかりは遠景でも見える大きさの要素に持たせます。今回のテストで方法を問わず残ったのは銀白の髪と芥子色のジャケットで、顔の小さな目印は安定しませんでした。しかもクローズアップ以外では顔そのものが小さく、目印が描かれたかどうかを判定できない画像も多くありました。

設計の段階では、髪のシルエットと色、上着の色と形、スカーフや帽子のような大きめの小物の色を、キャラクターの「名札」として決めておきます。小物の色は暗いシーンで沈みやすく、今回の青緑のスカーフは夜の街と朝日の山道で深緑寄りになったので、背景の光で変わりにくい、はっきりした色を選ぶ方が確認も楽になります。ほくろ、虹彩の色、小さな傷のような顔の目印は、物語上どうしても必要なときだけ使い、出したいカットはクローズアップで構図を決めて1枚ずつ確認する前提にします。目印が出るまでに何回の再生成が要るか、2K・4Kや思考レベルhighで残りやすくなるかは、1K・既定設定のこのテストでは測っていません。

キャラクターの出どころでも判断が変わります。プロンプトから生まれたキャラクターなら、定義した文章を手元に残しておき、参照画像と合わせて使えます。写真やイラストから来たキャラクターは、言葉にできない部分を参照画像だけが運ぶので、顔が大きくはっきり写った基準画像を用意することが先になります。写真由来のキャラクターでの挙動は今回のテストの範囲外です。

キャラ固定の手順：基準画像を作り、毎回同じ参照を渡す

手順の骨格は「基準画像を1枚決め、どのシーンでもそのファイルを参照として渡し、出力は確認するだけで次の参照にしない」です。今回のテストで使ったリクエストの形をもとに、順番に並べます。

1. キャラクターの見分けどころを文章で書き出します。髪、上着、小物の色と形を先に決め、顔の小さな特徴は必要なものだけにします。
2. 基準画像を1枚作ります。無地の背景、上半身、正面、柔らかい光で、顔と服の両方が大きく写る構図にします。写真やイラストがあるならそれを基準にし、顔が隠れていないものを選びます。
3. 基準画像に、残したい目印がすべて写っているかを確かめます。基準に写っていない特徴は、後のシーンでも参照からは伝わりません。
4. シーンごとに、元の基準画像を参照として渡し、保持の一文とシーンの指示を書きます。下のリクエストはテストで使った形です。
5. 1シーンにつき1回生成し、次の節の確認リストで基準画像と並べて見ます。
6. 合格した画像は保存しますが、次のシーンの参照には使わず、毎回4の形に戻ります。

{
  "contents": [{
    "parts": [
      { "text": "Use the person in the reference image as the character. Keep her face, hair, eye colours, scar, jacket and scarf identical to the reference. Close-up, head and shoulders, laughing in a warm cafe with a blurred background." },
      { "inlineData": { "mimeType": "image/jpeg", "data": "<基準画像のbase64>" } }
    ]
  }],
  "generationConfig": {
    "responseModalities": ["IMAGE"],
    "imageConfig": { "imageSize": "1K", "aspectRatio": "4:3" }
  }
}

送り先は/v1beta/models/gemini-nano-banana-2.1:generateContentで、テストではこの英文をそのまま使いました。シーンの部分だけを差し替えれば、ほかのカットにも使えます。シーン側の書き方の型はNano Banana プロンプトの作り方：実践ガイドと50個の検証用テンプレートが参考になります。HTTP 200なのに画像が入っていない応答が返ったときは、Nano Banana APIで画像が生成されない原因と対処の手順で原因を確認できます。

1枚ごとの確認リストと、再生成をやめて手順を変える目安

出力は1枚ずつ、基準画像と同じくらいの顔の大きさに拡大して並べて見ます。Astorieのテストも、顔の比較は近い大きさで行うよう勧めています。今回の結果で崩れやすかった順に、次の項目を確認します。

• スカーフのような小物の色が、暗く、あるいは別の色相にずれていないか（今回最も多かったずれ）。
• ボタンや金具の数と色が基準と同じか（連鎖では銅色が灰色の金属に変わった）。
• 夜景やネオンの光で、髪に薄紫などの色が乗っていないか。
• 目の色と傷が残っているか、傷の位置が左右反転していないか。顔が小さすぎて見えないときは「判定不可」と記録し、クローズアップのカットで確かめる。
• 基準画像と並べて、同じ人物に見えるか、親族程度にしか見えないか。

再生成を続けるか手順を変えるかは、崩れた項目の種類で決めます。直前の出力を参照にしていて色やボタンがずれたなら、その出力から作り直さず、元の基準画像に戻します。元の基準画像を渡しているのに同じ大きな目印が2回続けて崩れるなら、言い換えを重ねるより、基準画像を顔と服がより大きく写ったものに作り直すか、シーンのショット距離を近づけるかに切り替えるのが目安です。左右で違う目や小さな傷が消えた場合は、属性を文章で足しても今回の2枚では戻らなかったので、その目印が本当に必要かを先に判断し、必要ならクローズアップで1枚ずつ選ぶ前提で回数と費用を見積もります。

Nano Banana 2.1のキャラ固定でよくある質問

Nano Banana 2.1では参照画像を何枚、何キャラまで使えますか？

2026年11月3日時点のGemini API画像生成ガイドでは、Nano Banana 2.1（gemini-nano-banana-2.1）とNano Banana 2は参照画像を合計14枚まで使え、その内訳はキャラクターの一貫性を保つための人物が最大4枚、忠実に再現するオブジェクトが最大10枚で、スタイル参照には対応していません。Nano Banana Pro（gemini-3-pro-image）は人物5枚、オブジェクト6枚、スタイル参照3枚です。X上には8人でも使えたという個人の報告もありますが、設定や結果は公開されていないため、作業の上限はガイドの数字で考えるのが無難です。

キャラクターの一貫性はNano Banana Proより2.1の方が上ですか？

Google自身の評価では2.1が上です。2026年10月時点のモデルカードにある人による比較評価のEloは、単一キャラクターの一貫性で2.1（思考あり）1028、2.1（思考なし）1021、Nano Banana 2が981、Proが991、複数キャラクターでは1106、1068、978、1011でした。これはGoogleの社内評価の中での相対値で、独立した測定ではありません。同じ課題で3モデルを並べた結果はNano Banana 2.1・Pro・GPT Image 2.5の違い：9課題を1回ずつ実測にあります。