Googleの画像生成AI「Nano Banana」は何が新しいのか　安野貴博がChatGPTと比べて見た4つの能力

どうもこんにちは。安野貴博です。今日は今話題の画像生成AI、ナノバナナについてご紹介したいと思います。画像生成AIもどんどんどんどんできることが増えていっておりますが、このナノバナナは最近の中では少しできることが増えたということで界隈では話題でございます。何ができるようになったのか、画像生成AIってどういう風にできることが増えていってるのか、そこら辺について実際の作例を元にご紹介したいと思います。是非ご覧ください。

はい、本日の動画ではまず最初にナノバナナって何なのという話をします。そして、ナノバナナのここがすごいんじゃないのかと思ったポイントを4つご紹介したいと思います。4つざっくり言っていくと、まず1つ目が空間把握能力、2つ目が一貫性を保つ能力。3つ目がテキストのレンダリング。テキストを書く能力。4つ目が複数の画像を入力する能力です。この4つが今までの画像生成AIと比べてナノバナナがすごいと思ったポイントです。

はい。まず最初のポイントはナノバナナって何なのという話です。このナノバナナなんですが、Googleが2025年の8月26日に公開した画像生成モデルです。元々LMArenaという場所で、ナノバナナっていうコードネームで高性能な画像生成AIモデルが登場してすごく話題になってました。このLMArenaという場所なんですけれども、開発してる企業が本来の名前を隠してコードネームで、先に最先端モデルを公開して評判をステルスで見ていくっていうのによく使われたりしてます。

じゃあ、そのナノバナナの正式名称っていうのは何なのという話なんですが、Gemini 2.5 Flash Imageという名前で発表がされました。いわゆるGeminiシリーズですね。Gemini 2.5 Flash Imageが本当の名前なんですけど、あまりにこのナノバナナっていう名前が良すぎてこっちの方の名前が広く定着してしまっています。Googleもモデル発表する前に匂わせ画像とかをアップロードしてるんですけど、その匂わせ画像としてバナナの画像を投稿したりですね。宣伝としてもこのナノバナナっていうコードネームは普通によく使われてました。

では次に、このナノバナナ、何が能力としてすごいのかということをいくつか紹介してまいりたいと思います。私が色々見た、触った上で感じたのは、4つポイントがありました。

まず1つ目が空間把握能力です。空間把握能力って言うとアカデミックな用語じゃないのでちょっと語弊があると思うんですけど、何が言いたいかと言うと、ナノバナナが画像を見た時にここに○○があって、ここに何々があって、この裏にはこんな感じになってるよねっていうことをちゃんと想像ができるんですよね。具体的に見ていくと、ナノバナナで画像をアップロードして、そこの撮影角度をちょっと変更するっていうプロンプトを入力すると撮影角度が変更できるんですね。これどういうことかと言うと、例えば私の正面像、このカメラで今撮ってますけれども、この画像だけから私の側面像とか、ここら辺にカメラを置いて撮った時の映像を想像させるっていうことをするんです。

例えばこちら。こちらはナノバナナで生成した交差点の画像です。ちょっとだけ渋谷っぽい画像ですが、この画像を入力して上から見た図に変更できるかどうかをナノバナナとChatGPTで比較してみます。ChatGPTを見てみると、確かにちょっと上から撮ってる感じはあるんですけれども、例えば左のビルの形であるとか、看板のデザインとか街頭ビジョン、微妙に変化してるんですよね。細部が維持できてなかったりするんですけれども、ナノバナナで生成した画像はちゃんと上から見てるっていう図に変更ができてます。正確性もかなり向上していて、例えば看板のデザインであるとか街頭ビジョンに表示されている内容っていうのが、元画像と同じようになっているんですよね。そういったところがやっぱりちょっとずつ違ってきているポイントだと思います。

はい。ちなみにもう1つ、いつもYouTube動画を撮影しているこの画像を入れてみました。この画像、着てるTシャツが違いますね。この画像をナノバナナに入れて自分が後ろを向いた画像にしてみてねっていうのを命令するとこんな感じになります。これはChatGPTでもナノバナナでもそんなに変わらなかったですが、ただ、手の形を保持してくれているのかなという感じはしますね。私は本当はお団子が後ろにあるんですけど、このお団子は想像できなかったみたいです。とはいえやっぱりナノバナナ、映ってないところをうまく想像するであるとか、その能力っていうのが非常に高いなと思っています。

3月に公開されたGeminiの2.0の方でもそれなりにすごいできるようになったねっていう感じだったんですけど、当時は何度か生成してガチャを回す。これ画像生成界隈ではガチャを回すっていう言い方するんですけど、たまにランダムでいいものが生成されたりするので、ガチャを回して何回かやった上でいいものを引くっていうことをやっているんですが、ナノバナナではかなり精度も高くなってきたので、そのガチャをする回数が少なくなってきたねという感じです。

はい。すごいと思ったポイント2つ目が一貫性を維持する力です。これは、プロンプトを与えて画像に指示を与えて変更させた時に、元の画像の残すべき部分をしっかり残せているっていうこと。これがすごいポイントだなと思ってます。早速検証してみましょう。この画像をもう1回使って、今度は服装とか背景を変えてみることで、元の画像をどれだけ維持したままそれを変更できるかっていうことの検証をしてみたいと思います。

まず、ChatGPTにやらせた時のを見てみますね。まずこれをサンタにしてみます。私が今黒いTシャツを着てるのをサンタクロースにしてくれと言ったらこんな形になります。まあまあいいんですけど、例えば全体の画像が黄色がかってしまっていたり、ちょっと顔も別人感が出ていると。安野だと言ったら安野な気もするんだけど、とはいえ、ちょっと違うんじゃないかという感じもするわけですね。ここに白ひげと眼鏡を追加してくださいというプロンプトを出すとこんな感じになります。追加できてるんですけれども、顔の雰囲気が変わってしまいました。この顔の雰囲気を維持するっていうのがもうめちゃめちゃ大変なわけですよ。さらにここから背景を遊園地に変えてみるとこちらになります。変更はできてるんですけど、細部を見ると、衣装や手の形ってのが微妙に変わってきてしまっています。さらにここに、後ろ側がちょっと寂しい道なのでクリスマスツリーを入れてみましょうと言って置きますね。ここまで来ると完全に顔も変わってしまっています。1番最初がこちら。本当に顔も全然別人であると。

じゃあ一方、ナノバナナはどんな感じなんですかというのを、全く同じ指示を出して順番に行ってみたいと思います。まず、元々の私がこれです。そこにサンタの服に変えてみるとこんな感じです。顔の印象はそんなに変わらずに一貫性を保つ、これ安野だよねと言えるんじゃないかなと思います。さらにそこに白ひげと眼鏡を追加してみるとこんな感じになってます。追加しても手の形は同じままです。次に、さっきやったように背景を遊園地にしてみようって言って遊園地を入力してみるとこんな感じになります。存在しなかった青い椅子なんかが勝手にイメージはされているんですけれども、とはいえうまく背景は変更できているかなと思います。さらにここにクリスマスツリーを追加してみると、はい、こんな感じになります。他の雰囲気は変わらないままですね。これ見比べてみた時に、私がサンタの変装してる雰囲気があるんじゃないかと思います。

ChatGPTにこの指示をさせたのがこちら。やっぱり1番大きな違いは顔ですよね。顔の一貫性がちゃんと維持できているというのがすごいとこだなと思います。

こうした画像編集っていうのは、昔はPhotoshopみたいな画像編集ソフトで切り抜いてみたりとか、服だけ変えて別のものを持ってきたりとか色々やられていたわけですけれども、ナノバナナみたいに自然言語でここもうちょっとこうしといてとか、ああしといてとかいうことができると、画像編集の難易度がめちゃくちゃ変わるわけですよ。物を見ながらどんどんどんどん口で指示していくことで自分が欲しい画像っていうのが手に入る。今後この技術っていうのはさらにどんどん進化していくことで、例えば漫画の制作とか映像編集とか、そういったところでも使えるレベルのものっていうのが作れるようになるんじゃないかなと思ってます。

はい。すごいと思ったポイント3つ目はテキストレンダリング能力です。これ何かと言うと、画像の中にテキストが入った画像っていうのを作ると、皆さんも見たことあるかもしれないですけど、日本語のように見えて日本語じゃないとか、日本語なんだけど全然文字の並び方が別だよとか、変な風に文字が書かれちゃうという問題があったんですが、昨年頃からStable Diffusion 3、Imagen 3、Midjourney、Qwen-Imageとか、文字を正確に生成できるよっていうAIが増えてきていて、今回のナノバナナもテキストをレンダリングする、テキストを画像として書く能力っていうのは非常に高いと言われています。

実際に試してみましょう。今回は、メリークリスマスっていう文字を入れたクリスマス風の画像を生成してみます。ナノバナナでやった時にはこんな感じです。メリークリスマスと、書体も含め、フォントも含めて書くことができてますね。周りもクリスマス風の装飾も含めて綺麗なテキスト画像が表示されました。こちら、日本語のテキストを正確に生成する能力は正直まだまだ低いです。日本語でメリークリスマスってカタカナで書いてねって言ったら、気持ちは分かるんだけどこんな感じのものになりました。メレークリスクリス。ちょっと可愛いですよね。幼稚園児が間違ったみたいな間違い方しますね。マとスって確かに紛らわしいっていうのを、これを見て改めて思いました。

メリークリスマスだと、ChatGPTで試してみても正確に生成ができているかなと思います。文字を含む画像が正確に生成できる。これは英語だと強くて日本語だとまだまだっていう話ではあるんですけど、こういうものができると、例えばポスターの制作であるとか広告の制作っていう、フォントまで含めたそれっぽさが重要になるような使い方であっても作れるようになると。まだ日本語・英語共にあと1歩2歩っていうところでは正直あると思いますが、すごい勢いでこのテキストを画像の中に書き込む力っていうのもどんどんどんどん強くなっていってるかなと思います。

はい。すごいと思ったポイント4つ目は、複数の画像を入力して他の画像を生成することができるようになったということです。例えば今まで、テキストを元に画像を作るであるとか、テキストと画像を元にまた別の画像を作るであるとか、そういうことはできたんですけど、複数の画像を入れてそれを元に1つの画像を作るっていうことが今回はできるようになったということです。早速やってみましょう。先ほど作ったメリークリスマスっていうテキストとサンタクロースの僕の画像を合成させて、いい感じのポストカードっぽくしてみてと言うと、出てくるのがドン、こんな感じになります。右上のところにメリークリスマスって書いてあって、僕の画像があってという感じで、ポストカードっぽいなというものですけれど、こういう風に複数の画像を入れることができるようになったってのは、1つ大きな、今までできなかったことができるようになったということですね。

他の人たちのやり方を見ると、例えばコーディネートの時に使う時計とか服とか、そういう画像と自分の写真を入れて服だけを入れ替えるであるとか、そういったことがやられたりしているみたいです。この複数の画像を参照しながら画像生成する機能っていうのは、動画生成AIのVeoとかKlingなどではすでにそういったものが一部実装はされていたんですが、これくらいの高い精度で複数の画像を参照できる機能がGoogleでも使えるようになったっていうのは、使用用途がすごい広がる話だなと思います。先ほども言ったように、Photoshopみたいな画像編集アプリでいろんな画像を合成していくっていうことができたんですけど、それと同じことがPhotoshopを全く使ったことない人でも簡単にできるようになってきているわけですよね。なので、こういった画像を取り扱うやり方っていうのが本格的に変わってきてもおかしくない。そういったことを考えさせる機能だなと思います。

はい。というわけで本日のポイントを振り返っていきましょう。まずナノバナナというのはGoogleが作った、Geminiの新しい画像生成AIでした。すごいポイントが4つくらいあると。他の画像生成AIと比べて、基本的にどんどん良くなってるわけですけど、その中でも、空間を把握する能力がすごい。そして一貫性を高く保つことができるので、画像編集の用途などに使える。テキストも書ける。さらに複数の画像も入力できるということで、Photoshopを使わないと今までできなかったような作業が、それを全く知らない人でもできるようになっていく。そんな未来が見れるようなモデルでした。まだうまくいかないよっていうことは時々発生するんですけれども、とはいえガチャを回す回数っていうのは明らかにどんどん少なくなってきていますし、Photoshop的な画像編集ソフトを触るというよりかは、ナノバナナ的なものにみんな指示しながら自分の欲しい画像を作っていく未来っていうのが、まだ来てないですが、かなり近づいてきているんじゃないかと僕は思いました。

はい、ということで本日の動画、少しでも役に立った、面白かったよっていう方は是非、チャンネル登録、高評価、そしてコメントをよろしくお願いいたします。