Nano Banana 2.1とGPT Image 2.5、ポスター制作ではどちらを試す？

今回テストした短い英語のポスターでは、Nano Banana 2.1、GPT Image 2.5 Flare、Sunburstの3モデルすべてが指定の文言を生成し、続けて2回の編集を完了しました。実用上の違いは、スタイル、意図しない変更、リクエストの構成、推定コストにありました。Nanoは平面的なイラストを生成しましたが、指定していない紙の縁と影も加えました。GPTの2モデルは、より描き込みの細かいリンゴを生成しましたが、編集では変更を指定していない細部にも変化が生じました。

シンプルなイラストのポスターが必要なら、Nanoの結果は有用な出発点になります。ただし、フレームを確認してください。以下の例のように、果物や陶器の質感をより細かく描いたものが好みなら、今回の依頼ではまずFlareを試すのがおすすめです。この1回の実行では、Flareの一連の処理はSunburstより早く完了し、報告されたGPTのトークン数は同じでした。この用途でSunburstに明確な優位性は見つかりませんでした。これは今回の依頼と設定に対する推奨であり、画像制作全般での順位付けではありません。

テスト日：2026年10月13日。 この比較記事はOfoxが公開し、テストに使ったAPIゲートウェイもOfoxが提供しました。この記事はAIの支援を受けて作成され、AIによる独立レビューを受けていますが、人による審査を受けたものではありません。以下の9枚はすべて、実際にAPIから出力された画像です。各モデルについて「生成→見出しの編集→色の編集」という3段階の処理を1回ずつ行いました。反復試験、シード制御、複数の結果から最良の1枚を選ぶ作業は行っていません。Nanoの一連の結果は、同日実施した以前のテストから再利用しています。GPTへの6件のリクエストはその後に実行しました。これはAPIのテストであり、ログイン済みのAgentまたはPlaygroundでの生成テストではありません。

比較したモデルと設定

ここでいう「Image 2.5」は、FlareとSunburstの両方を含むOpenAI GPT Image 2.5を指します。MicrosoftのMAI Image 2.5ではありません。ファミリー名と、リクエストに使う正確なIDは同じではありません。

返された9ファイルはすべて1024 × 1024のPNGです。同じ寸法で同じ指示を使ったからといって、品質設定や計算量も同じだとはいえません。GPTの画像品質設定 medium は、Googleの推論設定に相当するものではありません。

編集時のコンテキストも異なります。Nanoには、過去のモデル応答を含むGeminiの会話履歴全体を段階的に渡しました。一方、GPTの各編集には直前のPNGと現在の指示を渡し、それ以前の会話全体は含めませんでした。そのため、入力トークン数には異なる履歴、プロトコル、トークナイザーが反映されています。これらの値は今回のリクエストの費用を見積もるのには使えますが、どちらかのモデルが本質的に効率的だと結論づけるものではありません。

現在のOfoxカタログには3モデルすべてが掲載されています。モデルIDと利用ページは、公開されているNano Banana 2.1、Flare、Sunburstの各ページを参照してください。

これは公開モデルページのスクリーンショットであり、ログイン後の生成結果でも請求記録でもありません。料金は項目ごとに解釈する必要があります。全体割引を示すバッジがあっても、すべての料金項目が割引されるとは限りません。

1つの依頼、3段階、9枚の実出力

合格基準は具体的に設定しました。見出しと日時が正確であること、赤いリンゴが3個あること、指定したボウルの色であること、余計な文言やロゴがないこと、編集中も既存の構図が保たれることです。ピクセル単位での厳密な保持が必要なら、別の確認が必要です。見た目が似ていることと、ピクセル単位で同一であることは違います。

以下は実際に使った指示で、上から順に実行しました。英語の文言は、この記事のどの言語版でも意図的に変更していません。画像内テキストの多言語生成はテストしていません。

1. Create a square minimalist event poster on warm cream paper. Large exact headline: ORCHARD MARKET. Smaller exact line: SATURDAY 10 AM. Draw three red apples in a blue ceramic bowl below the text. No other text, no logos, no border.

2. Change only the headline from ORCHARD MARKET to ORCHARD FAIR. Keep SATURDAY 10 AM exactly unchanged. Preserve the three red apples, blue bowl, cream background, composition and all other pixels as closely as possible.

3. Now change only the bowl from blue to dark green. Preserve ORCHARD FAIR, SATURDAY 10 AM, the three red apples and the layout.

ステップ1：ポスターを生成

Nano Banana 2.1：文言と物の数は正確で、形は比較的シンプル、見出しは1行です。ただし、ポスターを外周の余白と影がある紙として表現しています。縁取りを避けたいという意図には十分沿っていません。背景を端まで広げたSNS用画像にするなら、そのまま受け入れず調整が必要です。

Flare：文言とリンゴ3個は正確で、赤い見出しは2行です。クリーム色の背景はキャンバス全体に広がり、写真のような紙にはなっていません。このサンプルでは、果物のハイライトと陶器の模様がNanoより細かく描かれています。どちらが好ましいかは、求めるビジュアルスタイルによります。

Sunburst：文言と数は正確で、濃い青の2行見出しを使った、別の細密な絵画調の表現です。リンゴの配置はFlareと異なります。プロンプトでは配置や見出しの色を指定していないため、これらは誤りではなく、生成時の表現上の選択です。

ステップ2：MARKETをFAIRに変更

3モデルすべてで指定した単語が変わり、SATURDAY 10 AM、リンゴ3個、青いボウルが維持されました。Nanoは見出しを1行のまま保ち、GPTの2モデルは2行のままでした。大まかなレイアウトも見分けられる程度に保たれています。ただし、これらは再生成された画像であり、テキスト以外のすべてのピクセルが保持されたとは主張しません。承認済みのブランド素材なら、編集後のファイルを採用する前に、果物、ボウルの輪郭、紙の質感、文字の配置を前のファイルと照らし合わせてください。

ステップ3：ボウルだけを濃い緑色に変更

3モデルすべてでボウルが緑色になり、指定した文言と物の数も保たれました。見た目で確認する限り、Nanoのシンプルなイラストは比較的一貫しています。Flareではリンゴのまだら模様が目立つようになり、Sunburstでも果物の絵の質感が変わりました。どちらも、ボウル以外に生じた変更です。ポスターが基本的な文言と色の条件を満たしていても、前の果物の描写がすでに承認済みなら注意が必要です。

ここでは、2種類の合格基準で結果が異なります。「正しい文言、リンゴ3個、緑のボウル」という基準なら、最終画像はすべて目に見える条件を満たします。「ボウル以外は絶対に変更しない」という基準については、このテストではどのモデルも保証できません。マスクは使っていないため、マスクを使った編集は別のテストが必要です。これらの出力から、ロゴの忠実度、商品パッケージの正確さ、人の同一性の維持、長文への対応力について結論づけることもできません。

リクエストにかかった時間

これらはクライアント側で観測したリクエスト所要時間で、ネットワークやサービスの処理時間を含みます。モデルの推論時間だけを計測した値でも、制御されたレイテンシーベンチマークでもありません。Nanoは先に実行し、GPTの2モデルは後から順番に実行しました。表の各セルには1回分の観測値しかありません。この表から安定した速度比、スループット、パーセンタイルレイテンシーを推定しないでください。Sunburstは最初の2回に時間がかかった一方、最後の編集はFlareとほぼ同じでした。

9件すべての呼び出しでHTTP 200が返り、再試行なしで画像を受け取りました。これは今回の実行結果であり、信頼性の推定値ではありません。本番での処理能力を把握するには、実際に使う並行数で繰り返し試し、成功した応答だけでなくタイムアウトや失敗した試行も数えてください。

モデル名ではなく利用区分ごとに料金を比べる

10月13日にOfoxの公開カタログを確認し、GitHubリポジトリ内のカタログ実装をたどって各フィールドの定義を調べました。実装が読み取るデータは動的なもので、Gitには恒久的な固定料金表は含まれていません。また、ソースコードのコミットだけでは、デプロイ済みのバージョンを証明できません。再現用キットには日付入りの公開スナップショットが含まれています。以下の料金は100万トークンあたりの米ドル額であり、画像1枚あたりの料金ではありません。

両方のGPTモデルについて、スナップショットの provider_price はOpenAIのメインプロバイダー向けの価格上書きを示しています。テキスト入力と画像出力の料金は掲載料金より20%低い一方、画像入力の料金は変わりません。この提示料金だけでは、プロバイダーを固定していない今回のリクエストがどのプロバイダーで処理されたかは分かりません。また、今回の新規リクエストをアカウントの請求額と照合していません。Nanoの provider_price はnullです。つまり、このレスポンスでは提示価格が返されていないという意味であり、料金がゼロ、または割引が確定しているという意味ではありません。

GPTの2つの処理系列では、報告されたトークン数が同じだった

生成時の応答では、入力合計59のすべてがテキストに割り当てられており、リクエストには画像が含まれていません。画像入力フィールドがないことを、独自に測定したゼロとして扱ってはいません。推定額は報告された区分を使い、キャッシュされていない入力を仮定した計算で、その他の料金は含みません。応答にキャッシュの内訳がないため、キャッシュ割引は適用していません。

たとえば、掲載料金で見出しを編集した場合の計算は、(62 × $5 + 1,024 × $8 + 439 × $30) / 1,000,000 = $0.021672 です。提示されたプロバイダー料金を使うと、テキストと出力の項目だけが変わります。計算は (62 × $4 + 1,024 × $8 + 439 × $24) / 1,000,000 = $0.018976 です。これらは返された利用量に基づく計算であり、実際に観測した請求額や請求書の金額ではありません。低い金額は、その提示料金が適用された場合に限ります。

今回のサンプルではNanoの画像出力分が高かった

Nanoは3枚それぞれで、画像出力トークンを1,120と報告しました。100万トークンあたり$30なら、画像出力分は1枚あたり$0.0336、3枚合計で$0.1008です。GPTの対応する画像出力分は、掲載料金では1出力あたり 439 × $30 / 1,000,000 = $0.01317 です。トークンあたりの料金が同じでも、推定された出力分の金額は同じにはなりません。ただし、GPTならどの画像も安くなるということではありません。品質、寸法、編集の回数、合格と判断できる結果が得られる割合によって変わります。

Nanoで報告された入力合計は54、1,167、2,272でした。会話履歴が増えていくため、後のリクエストほど多くのコンテキストを含みます。最初の応答では、これに加えてTEXTトークンが80、推論トークンが639と報告されました。2回目の応答では推論トークンが358と報告され、3回目にはその区分の報告がありませんでした。TEXTトークン80個は、保存した応答内の目に見えるテキストパートには対応していませんでした。報告されていない区分が、利用ゼロだったことの証明になるわけではありません。

Nanoの最初のリクエストでは、画像分に入力分と報告されたTEXT分を足すと、$0.0336 + 54 × $1.50 / 1,000,000 + 80 × $7.50 / 1,000,000 = $0.034281 です。推論トークン639個にも100万あたり$7.50の料金が別途かかると仮定した場合、試算額は$0.0390735です。この課金の仮定は請求書と照合していません。そのため、Nanoの3段階全体に対する確定額も、請求総額全体での節約率も示しません。Nanoの料金ガイドでは、こうした前提を説明しています。GPT Image 2.5の料金ガイドには別の過去の例が含まれますが、今回の請求額と混同しないでください。

ワークフローの違いが選択を左右する場合

機能の確認には、GoogleのNano Banana 2.1モデル文書、OpenAIの画像生成ガイド、画像編集リファレンスを参照してください。これらの上流ドキュメントだけでは、ゲートウェイ固有のパラメーターが使えるかどうかは分かりません。OpenAIのFlareとSunburstのページでは、それぞれ異なる用途が説明されています。今回の小規模なポスターテストだけでは、想定されるすべての強みを検証できません。

今回の依頼で、より平面的なイラストが好みで、既存のGeminiワークフローに合うなら、不要な紙のような枠を修正したうえで、まずNanoを選んでください。細かい絵画調の表現が好みで、medium設定で観測した画像出力分の低い推定額を確かめたいなら、Flareから試すのがよいでしょう。より精密または複雑な編集が必要な仕事では、Sunburstも別途試してください。ただし、その位置づけは難しい作業で試す理由にはなっても、このポスターで優位だった証拠にはなりません。変更対象外の領域を厳密に保持する必要があるなら、今回のようなマスクなしの編集だけでは不十分です。目視確認や従来型の合成処理が引き続き必要になります。

ワークフローを切り替える前に比較を再現する

再現用キットには、オリジナルのPNG 9枚、リクエストパラメーター、生の応答データ、計測記録、公開カタログのスナップショット、Pythonスクリプトが含まれています。認証情報は含まれていません。Nanoの記録には同日に実行した元のタイムスタンプを残しており、新しい呼び出しであるかのように付け替えてはいません。

キットを展開したら、requests をインストールし、自分のOfoxキーを OFOX_API_KEY で設定してください。以下のスクリプトを実行すると、新たな課金対象リクエストが送信されます。保存済みの結果を読むだけなら、リクエストは送信されません。GPTスクリプトはすべて成功した場合に6件のリクエストを送信し、エラーが発生したモデルの処理系列はそこで停止します。Nanoスクリプトを --chain 付きで実行すると、3件のリクエストを送信します。

python -m pip install requests
export OFOX_API_KEY="YOUR_OFOX_API_KEY"
python reproduce_gpt.py
python reproduce_nano.py --chain

GPTの生成ルートは https://api.ofox.ai/v1/images/generations です。編集には /v1/images/edits を使い、前のファイルをマルチパート形式の image として渡します。Nanoでは https://api.ofox.ai/gemini/v1beta/models/google/gemini-nano-banana-2.1:generateContent を使います。Nano APIチュートリアルとGPT Image APIチュートリアルでは、認証情報や応答処理について詳しく説明しています。ChatGPTのサブスクリプションでは、これらのOfox API呼び出しを認証できません。

出力を採用する前に、元ファイルを実寸で確認してください。すべての文字、物の数と色、切り抜き、変更しないはずの領域をチェックします。試行したリクエストとその結果はすべて記録してください。応答がタイムアウトした場合、もう一度自動的に課金対象のリクエストを送る前に状態を確認してください。タイムアウトは生成に失敗した証拠ではありません。HTTPリクエストが成功しても画像がない場合は、ファイルを作り上げたり、利用量の報告がないことをゼロと扱ったりせず、実際の応答を確認してください。

本番で採用するか決める際は、すべての試行にかかった照合済みの総費用を、文書化した基準を満たした結果の数で比較してください。修正、課金された失敗試行、確認にかかる時間も含めます。実務で選ぶべきなのは、必要な素材を安定して得られるワークフローです。今回の9枚は、その判断に向けた再現可能な出発点であり、どこでも通用する絶対的な勝者を示すものではありません。