Nano Banana 2 Text To Image Fast

Обзор

Nano Banana 2 Fast Text To Image — быстрый text-to-image endpoint Google DeepMind на базе Gemini 3.1 Flash Image, представленный в феврале 2026 года. Он рассчитан на генерацию изображений с нуля по текстовому описанию: концепты, рекламные макеты, постеры, инфографику, иллюстрации и варианты для соцсетей. В отличие от edit-версий этой же линейки, здесь основной вход — промпт без исходного изображения; в отличие от обычного text-to-image endpoint'а, акцент сделан на быстрых итерациях и массовом переборе вариантов. Модель важна сочетанием Flash-скорости с возможностями Nano Banana 2: более точным следованием сложным инструкциям, улучшенной отрисовкой текста внутри изображения, поддержкой разных пропорций и разрешений до 4K, а также опциональным web search grounding для сцен, где нужны актуальные визуальные факты. Практически это хороший выбор для черновиков и рабочих генераций, которые должны быстро выглядеть достаточно чисто для дальнейшего отбора или доработки.

Сильные стороны

Сценари использования (use cases)

Ограничения и недостатки

Примеры промптов

Советы

• Стройте промпт по схеме: субъект → действие → локация → композиция → стиль. Официальный каркас Google для семейства Nano Banana даёт модели чёткие опорные точки и стабильнее удерживает сцену, чем разрозненный список слов. Для Fast tier это особенно важно при быстрых итерациях.
• Задайте соотношение сторон и в параметре, и в тексте промпта. Фразы вроде «вертикальный пост 9:16» или «кинематографичный кадр 21:9» помогают удержать композицию внутри выбранного формата, а не только размер холста. Общая best practice для T2I, применима и к Fast tier.
• Включайте веб-поиск для достопримечательностей, актуальных данных и инфографики. Nano Banana 2 опирается на актуальную информацию из интернета — это помогает точнее визуализировать реальные объекты, погоду, диаграммы и локализованные макеты. Для вымышленных сцен переключатель можно оставить выключенным.
• Не собирайте промпт из разрозненных тегов — описывайте сцену связным текстом. Модели Gemini Image понимают язык, а не «суп из ключевых слов» в стиле ранних diffusion-моделей. Связное описание почти всегда даёт более цельный и предсказуемый кадр.
• Не перечисляйте, чего не должно быть в кадре — формулируйте желаемый результат. Позитивные формулировки работают надёжнее: «пустая улица» лучше, чем «без машин». Списки исключений из классических diffusion-моделей здесь обычно не помогают.

FAQ

Цены

Параметры

Поля тела JSON-запроса, которые используются в Playground и доступны для настройки через API. Порядок совпадает с формой на странице.

Запрос

Асинхронный запуск: POST https://api.flixa.io/v1/image/nano-banana-2/fast-text-to-image с заголовком Authorization: Bearer $FLIXA_API_KEY и телом JSON. Ниже — пример с полями из Playground.

curl -X POST "https://api.flixa.io/v1/image/nano-banana-2/fast-text-to-image" \
  -H "Authorization: Bearer $FLIXA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "prompt": "Превратите это фото товара в премиальную студийную рекламу: мягкий кинематографический свет, чистый бежевый фон, лёгкие тени, реалистичные отражения и эстетика люксового бренда.",
  "resolution": "2k",
  "aspect_ratio": "4:3",
  "output_format": "png",
  "enable_web_search": false
}'

import json
import os
import requests

url = "https://api.flixa.io/v1/image/nano-banana-2/fast-text-to-image"
payload = json.loads({"aspect_ratio": "4:3", "enable_web_search": false, "output_format": "png", "prompt": "\u041f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0444\u043e\u0442\u043e \u0442\u043e\u0432\u0430\u0440\u0430 \u0432 \u043f\u0440\u0435\u043c\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u0441\u0442\u0443\u0434\u0438\u0439\u043d\u0443\u044e \u0440\u0435\u043a\u043b\u0430\u043c\u0443: \u043c\u044f\u0433\u043a\u0438\u0439 \u043a\u0438\u043d\u0435\u043c\u0430\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0441\u0432\u0435\u0442, \u0447\u0438\u0441\u0442\u044b\u0439 \u0431\u0435\u0436\u0435\u0432\u044b\u0439 \u0444\u043e\u043d, \u043b\u0451\u0433\u043a\u0438\u0435 \u0442\u0435\u043d\u0438, \u0440\u0435\u0430\u043b\u0438\u0441\u0442\u0438\u0447\u043d\u044b\u0435 \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0438 \u044d\u0441\u0442\u0435\u0442\u0438\u043a\u0430 \u043b\u044e\u043a\u0441\u043e\u0432\u043e\u0433\u043e \u0431\u0440\u0435\u043d\u0434\u0430.", "resolution": "2k"})

response = requests.post(
    url,
    headers={"Authorization": f"Bearer {os.environ['FLIXA_API_KEY']}"},
    json=payload,
    timeout=120,
)
print(response.json())

const response = await fetch(
  "https://api.flixa.io/v1/image/nano-banana-2/fast-text-to-image",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.FLIXA_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({"aspect_ratio": "4:3", "enable_web_search": false, "output_format": "png", "prompt": "\u041f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0444\u043e\u0442\u043e \u0442\u043e\u0432\u0430\u0440\u0430 \u0432 \u043f\u0440\u0435\u043c\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u0441\u0442\u0443\u0434\u0438\u0439\u043d\u0443\u044e \u0440\u0435\u043a\u043b\u0430\u043c\u0443: \u043c\u044f\u0433\u043a\u0438\u0439 \u043a\u0438\u043d\u0435\u043c\u0430\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0441\u0432\u0435\u0442, \u0447\u0438\u0441\u0442\u044b\u0439 \u0431\u0435\u0436\u0435\u0432\u044b\u0439 \u0444\u043e\u043d, \u043b\u0451\u0433\u043a\u0438\u0435 \u0442\u0435\u043d\u0438, \u0440\u0435\u0430\u043b\u0438\u0441\u0442\u0438\u0447\u043d\u044b\u0435 \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0438 \u044d\u0441\u0442\u0435\u0442\u0438\u043a\u0430 \u043b\u044e\u043a\u0441\u043e\u0432\u043e\u0433\u043e \u0431\u0440\u0435\u043d\u0434\u0430.", "resolution": "2k"}),
  }
);

console.log(await response.json());

Пример ответа

Сразу после POST приходит объект с идентификатором задачи и статусом (queued или processing). Готовый результат — в поле outputs после завершения.

{
  "id": "550e8400-e29b-41d4-a716-446655440000",
  "status": "queued",
  "created_at": "2026-05-22T12:00:00Z"
}

После успешного завершения:

{
  "id": "550e8400-e29b-41d4-a716-446655440000",
  "status": "completed",
  "outputs": [
    { "url": "https://storage.example/result.png", "type": "image" }
  ]
}

Поллинг

Пока задача в работе, опрашивайте GET https://api.flixa.io/v1/predictions/{id}/result с тем же API-ключом. Рекомендуемый интервал — 1–2 секунды; остановитесь при completed, failed или cancelled.

• queued / processing — продолжайте опрос.
• completed — заберите URL из outputs.
• failed — смотрите error в теле ответа.

curl "https://api.flixa.io/v1/predictions/{id}/result" \
  -H "Authorization: Bearer $FLIXA_API_KEY"