2026年4月22日、OpenAIによる画像生成AIモデルの最新版「GPT-Image2」がグローバルリリースされました。今回はゲーム開発での実用的な事例紹介として、AICUゲーム開発事業部が開発する新感覚ヘルスケアアプリ「Nehan.AI」の3匹のマスコットキャラクターを使って、キャラクターの同一性維持や表情差分を画像生成AIで一括生成する手法を紹介します。Google Gemini 3 (NanoBanana2・Pro) と OpenAI GPT Image 2 をAPIで勝負！
https://ai.google.dev/gemini-api/docs/image-generation?hl=ja
https://www.aicu.jp/post/260227
Nehan.AI の キャラクターデザイン
まず、Nehan.AI に登場する3体のキャラクターデザインシートを紹介します。これらも画像生成AI（GPT Image 2）で作成したものです。
現在オーディション中！ https://nehan.ai/audition
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。
SomniSheep🌙（寝言羊） — 癒し担当の眠り羊。紺ナイトキャップ、ラベンダーパジャマ。
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:
- 3×2グリッドに均等配置
- デザインシートのキャラクターを忠実に再現
- テキスト・ラベル・記号は一切なし
- 白背景
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）
GPT Image 2のImageToImageは「edits」という名称のエンドポイントです
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
電気羊 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。中心線がずれているのがちょっと残念です。
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。足や中心位置が揃っているのは素晴らしい。
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。余計なテキストなし。ポーズや表情のバリエーションが最も豊か。下側の断ち落としが揃っていれば完璧です。
パリピ羊 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。ただし足や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。足がないのが残念です。
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。難度の高い表現を見事にクリアしています。
寝言羊 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
- GPT Image 2: 1536×1024（指定可能）
- Gemini 3.1 Flash / 3 Pro: 自動（概ね1024×768前後）
ファイルサイズ（1枚あたり）
- GPT Image 2 edits: 1,100〜1,600KB
- Gemini Nano Banana 2: 630〜770KB
- Gemini Nano Banana Pro: 620〜790KB
コスト（1枚あたり推定）
- GPT Image 2 (high, 1536x1024): 約$0.08
- Gemini 3 Pro Image: 約$0.04
- Gemini 3.1 Flash Image: 約$0.02
グリッド成功率（3×2の6セル）
- GPT Image 2: 100%
- Gemini 3.1 Flash: 100% ← 旧2.5 Flashの30%から劇的改善
- Gemini 3 Pro: 100%
テキスト混入率
- GPT Image 2 edits: ほぼゼロ
- Gemini 3.1 Flash: ほぼゼロ ← 大幅改善
- Gemini 3 Pro: 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:
- 「match reference exactly」でデザイン再現を強調
- 表情は番号付きで6セル分を具体的に指示
- 「FORBIDDEN」セクションでテキスト禁止を明示
- Geminiにはリファレンス画像をinlineDataで、GPT Image 2にはimage[]で渡す
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ですね。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ることがわかりました。なお、 Gemini 2.5 Flashでの生成の様子はあまりにも比較対象にはならなかったのですが、興味がある方はこちらをご参照ください。
現在オーディション中！ https://nehan.ai/audition
アプリそのものの挙動を知りたい方は、ウェイトリストにてお申し込みください。アプリリリースの時に優先的にお知らせします
https://nehan.ai/
https://www.aicu.jp/post/260227
4月30日にプレイテスト会があります！お申し込みはお早めに！！
https://www.aicu.jp/post/260417
Originally published at note.com/aicu on Apr 23, 2026.
Comments