Nano Banana Proを動画生成の参照画像に使うGoogle公式ドキュメントのコード例を確認した

「先にNano Banana Proで画像を作り、それを動画生成の参照画像として使う」というワークフローは、実は思いつきではなくGoogle公式ドキュメントに動くコード付きで載っている。ただし正確に言うと、公式のサンプルコードが使っているのは「Nano Banana Pro」ではなく1つ下のグレードの「Nano Banana 2」だ。本稿はGemini API公式ドキュメントを一次で確認し、実際に何が確認できて何が確認できなかったかを整理する（当サイトの既存記事「Google『Pics』発表」は画像編集ツールの文脈であり、本稿の動画生成の参照画像としての文脈とは重複しない）。

3行まとめ

1. Google公式のVeoドキュメントには「Nano Banana 2（Gemini 3.1 Flash Image）で画像を生成し、その画像をVeo 3.1の開始フレームとして動画を生成する」という完全なPythonコード例が掲載されている
2. Veo 3.1自体も「Image-based direction」として、最大3枚の参照画像で生成する動画の内容を方向づける機能を持つ。これはNano Banana Pro側の「最大14枚の参照画像を混ぜて1枚の画像を作る」機能とは別の、Veo側の仕組みである
3. 上位版「Nano Banana Pro（Gemini 3 Pro Image）」を名指しして「Veoの参照画像に使う」と明記した公式サンプルは、本稿の調査範囲では確認できなかった。Pro版はブランド一貫性・複数参照画像処理に強いとされているため、同じ仕組みで使えると考えるのは妥当な推測だが、公式の明示的な推奨ではない

VeoのImage-to-Video機能そのものの仕組み

Gemini API公式ドキュメント（Veoのページ）には、次のように明記されている。

"You can use one or more images as inputs to guide your generated videos, using Veo's image-to-video capabilities. Veo uses the input image as the initial frame."

つまりVeoは、渡された画像を動画の「最初のフレーム」として使う。ドキュメントは「思い描いている最初のシーンに最も近い画像を選ぶとよい」とし、日常のオブジェクトをアニメーション化する、絵や絵画に命を吹き込む、自然の風景に動きと音を加える、といった用途を例示している。

Veo 3.1自体の新機能として、次の4つが挙げられている。

• ポートレート動画: 横向き（16:9）・縦向き（9:16）を選択可能
• 動画拡張: 以前Veoで生成した動画を延長できる
• フレーム指定生成: 最初と最後のフレームを指定して動画を生成できる
• 画像ベースの方向づけ（Image-based direction）: 最大3枚の参照画像を使って、生成する動画の内容を方向づけられる

Veo 3.1は8秒間の動画（720p・1080p・4Kのいずれか）を、音声をネイティブに生成しながら作るモデルだと説明されている。

公式が示す実際のコード例

ドキュメントには「Gemini 3.1 Flash Image（通称Nano Banana 2）で画像を生成し、その画像をVeo 3.1で動画の開始フレームとして使う」という、実際に動くPythonコード例が掲載されている。要点を抜き出すと次のような流れになる。

1. client.models.generate_content()をモデルgemini-3.1-flash-image-previewで呼び出し、テキストプロンプトから画像を生成する（response_modalities: ['IMAGE']を指定）
2. 生成された画像オブジェクトのimage.parts[0].as_image()を、client.models.generate_videos()のimage引数にそのまま渡す
3. モデルveo-3.1-generate-previewを指定して動画生成を開始する

つまり「画像生成の出力をそのまま動画生成APIの入力に渡す」という、2つのAPI呼び出しをつなげるだけのシンプルな構成で、両方とも同じGemini APIエコシステム内で完結する。

Nano Banana Proと2の違い、そして「Pro」を使う場合の推測

Gemini API公式の画像生成ドキュメントによれば、Nano Banana Proは正式名称「Gemini 3 Pro Image」（モデルIDgemini-3-pro-image）で、「最も複雑なビジュアルタスク向けのプレミアムな選択肢。世界知識・高度なローカライゼーション・正確なブランド一貫性・精密なクリエイティブコントロールにおいて最高水準」と説明されている。また「最大14枚の参照画像を混ぜて1枚の最終画像を生成できる」機能もPro系モデルの特徴として明記されている。

一方、公式のVeo連携コード例で使われているのは「Nano Banana 2」ことGemini 3.1 Flash Image（モデルIDgemini-3.1-flash-image-preview）で、こちらは「速度と最先端の4K生成・世界知識・信頼性の高いテキストレンダリングのバランスを取る、複数参照画像処理と一貫性に優れたモデル」と位置づけられている。

技術的な仕組み（generate_contentで画像を作り、その画像をgenerate_videosに渡す）はモデルを問わず共通のAPI構造であるため、gemini-3.1-flash-image-previewの部分をgemini-3-pro-imageに置き換えれば、Nano Banana Proで生成した画像も同じ手順でVeoの開始フレームとして使える可能性は高いと考えられる。ただし、これは本稿による技術的な推測であり、Googleがこの組み合わせ（Nano Banana Pro→Veo）を名指しで推奨・サンプル化しているドキュメントは、本稿の調査範囲では見つからなかった。

この組み合わせにかかる料金──画像1枚＋動画8秒で3ドル台

Gemini API公式の料金ページ（ai.google.dev/gemini-api/docs/pricing）を確認すると、画像生成・動画生成それぞれの従量課金の単価が具体的に記載されている。

本稿冒頭で確認した「Veo 3.1は8秒間の動画を生成する」という仕様と組み合わせると、Nano Banana 2で1K画像を1枚生成（$0.067）し、それをVeo 3.1 Standardで8秒・1080p動画にする（8秒×$0.40＝$3.20）場合、合計は約$3.27になる計算だ。Nano Banana Proの1K/2K画像（$0.134）を使った場合でも、合計は約$3.33とほぼ変わらない。画像生成のコストは、動画生成8秒分のコストの数%程度に過ぎないことが、この単価表からわかる。

なお、公式モデル一覧ページ（ai.google.dev/gemini-api/docs/models）を確認すると、Nano Banana 2にはさらに軽量な「Nano Banana 2 Lite」（モデルIDgemini-3.1-flash-lite-image）という下位グレードも存在することが確認できた。本稿ではこのLite版の料金・性能までは扱わない。

Pro版での組み合わせは実際に試していない

• 「Nano Banana ProをVeoの参照画像として使う」という組み合わせそのものを実際に試して検証したわけではない。公式コード例が示しているのはNano Banana 2との組み合わせであり、Pro版での動作を保証する記述ではない
• Veo側の「Image-based direction」（最大3枚の参照画像で動画内容を方向づける機能）と、画像生成側での開始フレーム指定が、実際にどう組み合わさるか（同時に使えるか、排他的か）は、本稿では確認していない
• 画像1枚＋動画8秒の合計コスト（約$3.27〜$3.33）は公式料金表からの計算値であり、実際にAPIを呼び出して請求額を確認したものではない。無料枠の有無・1日あたりの生成回数制限についても、本稿では扱っていない
• 「Nano Banana 2 Lite」という下位グレードの存在はモデル一覧ページで確認できたが、性能・料金の詳細までは調べていない

関連記事

• Google「Pics」発表、Nano Banana 2搭載でオブジェクト単位編集できるCanva対抗の画像ツール
• Sora 動画AI料金・代替ツール比較【2026年】
• AI動画編集ツール比較【2026年版】