Pro vs Gemini 3.1 Flash
Nehan.AIの3匹のマスコットキャラクター（ElecSheep⚡・ParipiSheep🎉・SomniSheep🌙）の表情差分シートを、3つの画像生成APIで比較しました。リファレンス画像を渡した場合の再現度と、グリッドレイアウトの制御精度に注目しています。
キャラクターデザイン
3体のデザインシートはいずれもGPT Image 2で作成しました。これらをリファレンス画像として各APIに渡します。
ElecSheep⚡（電気羊） — 歩いて発電する元気な羊。紺キャップ、黄色ジャケット、プラグ型しっぽ。
ParipiSheep🎉（パリピ羊） — 交流担当のギャル羊。黒ライダージャケット、QRペンダント、WiFiテール。
やりたいこと
デザインシートをもとに、6表情（sleep / drowsy / surprised / happy / confused / excited）を3×2グリッドで生成する。条件は:
比較した3つのAPI
Gemini Nano Banana 2 — gemini-3.1-flash-image-preview。速度と大量生成に最適化。リファレンス画像をインラインbase64で渡せる。
Gemini Nano Banana Pro — gemini-3-pro-image-preview。高度な推論（「思考」）で複雑な指示に従う。プロフェッショナルなアセット制作向け。
OpenAI GPT Image 2 — gpt-image-2。editsエンドポイントでリファレンス画像を渡せる。
API仕様
Gemini（Nano Banana 2 / Pro 共通）
POST generativelanguage.googleapis.com/v1beta/models/
{model_id}:generateContent?key=...
contents.parts[0]: inlineData（リファレンス画像のbase64）
contents.parts[1]: text（プロンプト）
generationConfig.responseModalities: ["TEXT", "IMAGE"]
generationConfig.temperature: 0.6
リファレンス画像はparts配列にインラインで渡します。レスポンスのinlineDataに生成画像が入ります。
OpenAI GPT Image 2（editsエンドポイント）
POST api.openai.com/v1/images/edits
Content-Type: multipart/form-data
model: gpt-image-2
image[]: @reference_image.png
prompt: "Using this character reference..."
size: 1536x1024
quality: high
image[]パラメータで画像ファイルを渡します。generationsエンドポイント（テキストのみ）とは異なり、multipart/form-data形式です。
結果比較
ElecSheep ⚡
Gemini Nano Banana 2（3.1 Flash）
3×2グリッド完璧。帽子が全フレームに維持。テキスト混入なし。キャラのサイズと位置が均一。
Gemini Nano Banana Pro（3 Pro）
3×2グリッド完璧。帽子あり。ただしZZZと?のテキストが混入。表情の差分は明確で自然。
GPT Image 2（edits + リファレンス画像）
3×2グリッド完璧。帽子・プラグテール・青ポーチの再現度が最高。テキストなし。ポーズのバリエーションが最も豊か。
ParipiSheep 🎉
Gemini Nano Banana 2
3×2グリッド完璧。テキストなし。ライダージャケットと褐色肌の再現度が高い。ただしWiFiテールが省略されている。
Gemini Nano Banana Pro
3×2グリッド完璧。WiFiテールのピンクグローが再現。テキストなし。デザインの忠実度が高い。
GPT Image 2（edits）
3×2グリッド完璧。ライダージャケットの金スタッド、WiFiテール、LED厚底、QRペンダント — 全ディテールが再現。テキストなし。
SomniSheep 🌙
Gemini Nano Banana 2
3×2グリッド完璧。テキストなし。ナイトキャップの月星柄、ラベンダーパジャマが忠実。中心位置も統一されている。
Gemini Nano Banana Pro
3×2グリッド完璧。Zzzと?のテキストが混入。月星柄の再現は良好。表情差分が明確。
GPT Image 2（edits）
3×2グリッド完璧。全ディテール忠実。テキストなし。6表情の差分が最も明確。
数値比較
出力サイズ
ファイルサイズ（1枚あたり）
コスト（1枚あたり推定）
グリッド成功率（3×2の6セル）
テキスト混入率
Zzz/?が稀に出る使ったプロンプト
全API共通で以下の構成:
TWO images provided: (1) CHARACTER REFERENCE, (2) this prompt.
Create a 3x2 expression sheet (6 cells) for "{name}",
a spirit servant of Nehan.AI.
GRID: 3 columns x 2 rows, white background, thin gray borders.
Same character size and center position in ALL 6 cells.
Output: wide image (3:2 aspect ratio).
CHARACTER (match reference exactly): {outfit description}
Colors: {palette}
Style: Chibi anime, 2-3 head proportions.
6 EXPRESSIONS (left to right, top to bottom):
Cell 1: sleeping peacefully, eyes closed
Cell 2: drowsy yawning, half-open eyes
Cell 3: surprised wide open eyes, shocked
Cell 4: happy big warm smile, joyful
Cell 5: confused tilted head, puzzled
Cell 6: excited sparkling star eyes, arms up
FORBIDDEN: NO text, NO letters, NO labels, NO symbols.
Pure illustration only.
ポイント:
結論
2024年後半のGemini 2.5 Flashではグリッド制御が30%の成功率でしたが、2026年4月時点の最新モデルでは全APIが3×2グリッドを完璧に生成できるようになりました。
総合評価:
GPT Image 2 edits — デザイン再現度とテキスト除去で最高品質。コストは最も高い($0.08/枚)が、キャラクターアセットの本番制作にはこれが最適。
Gemini 3.1 Flash (Nano Banana 2) — コスパ最強。グリッド制御もテキスト除去もほぼ完璧になった。大量バリエーション生成や試行錯誤に最適($0.02/枚)。
Gemini 3 Pro (Nano Banana Pro) — Flashとの差は小さい。テキスト混入(Zzz/?)がやや多く、高コスト。現時点ではFlashの方が実用的。
どのAPIもリファレンス画像の活用が鍵。テキストプロンプトだけでキャラクターを再現するのは困難ですが、デザインシートを渡せばどのAPIでも高品質な結果が得られます。
参考
Nehan.AI開発チーム — AICU Inc.