Vous demandez à un modèle d'image de « ne modifier que l'arrière-plan », mais le visage change, la couleur des vêtements est modifiée et un accessoire supplémentaire apparaît. Le problème n'est pas toujours le modèle. Souvent, la demande mélange la modification, le résultat souhaité et les règles de préservation en une seule phrase.
Dans cet article
Pourquoi les prompts JSON de Nano Banana peuvent améliorer le contrôle
Les modèles d'image traitent souvent une phrase compacte comme une autorisation de réinterpréter l'ensemble du cadre. Séparer la demande en blocs nommés réduit cette ambiguïté. Le principe utile n'est pas simplement « utiliser des accolades » ; c'estdéclarer ce qui change, ce qui reste fixe, et comment le résultat doit être évalué.
| Besoin en prompting | Pourquoi la structure aide |
| Campagnes répétables | Les champs stables de marque, de produit, de personnage et de caméra peuvent être réutilisés tandis que les variables de scène changent. |
| Édition d'images | Les opérations de modification peuvent être séparées des règles de préservation explicites. |
| Production en équipe | Les rédacteurs, designers et opérateurs peuvent examiner les variables nommées au lieu de déchiffrer un long paragraphe. |
| Débogage | Un résultat raté peut être tracé jusqu'à des champs contradictoires, vagues ou surchargés. |
| Variantes en lot | Un seul modèle peut produire des changements contrôlés dans le ratio d'aspect, l'arrière-plan, l'objectif, l'éclairage ou la garde-robe. |
Il existe également un désaccord entre créateurs qui mérite d'être compris. Certains tutoriels présentent le JSON comme un « hack de contrôle caché ». En pratique, il est mieux compris comme une méthode de conception d'instructions. Gemini n'applique pas forcément votre objet comme une API logicielle typée. Il interprète le sens sémantique des champs, de sorte qu'un JSON syntaxiquement parfait peut encore échouer lorsque la demande visuelle est contradictoire ou dépasse les capacités du modèle.
Un schéma JSON pratique pour Nano Banana
Un schéma fiable doit refléter la façon dont vous prenez vos décisions créatives. Vous n'avez pas besoin de tous les champs pour chaque demande, mais les noms de champs doivent rester stables tout au long d'un projet.
{ "task": "generate | edit | combine", "subject": { "identity": "qui ou quoi doit rester reconnaissable", "appearance": "détails physiques, garde-robe, matière, couleurs", "action": "pose, geste, interaction" }, "environment": { "location": "cadre", "time": "moment de la journée ou époque", "weather": "conditions atmosphériques" }, "composition": { "shot": "gros plan | plan moyen | plan large", "framing": "centré | règle des tiers | espace négatif", "aspect_ratio": "16:9" }, "camera": { "lens": "50mm", "angle": "niveau des yeux", "depth_of_field": "faible profondeur de champ" }, "lighting": { "key": "lumière douce de fenêtre", "direction": "gauche de la caméra", "color_temperature": "lumière du jour neutre" }, "style": { "medium": "photographie éditoriale", "palette": ["bleu cobalt", "gris chaud"], "finish": "texture naturelle, contraste maîtrisé" }, "edit": { "operation": "remplacer l'arrière-plan", "target": "arrière-plan uniquement" }, "preserve": ["visage", "cheveux", "garde-robe", "pose", "recadrage caméra"], "constraints": ["pas de personnes supplémentaires", "pas de texte", "pas d'objets dupliqués"]}
Utilisez des valeurs concrètes. « Cinématique » est vague ; « lumières tungstène douces et pratiques, objectif 35 mm, contraste basse lumière, légère grain de film » est vérifiable. Gardez les champs orthogonaux. Mettez les décisions de caméra dans le champ caméra, et non dans cinq champs de style différents. Rendez les contraintes observables. « Rendez-le bon » ne peut pas être vérifié, tandis que « préserver la silhouette de la bouteille et supprimer tout texte en arrière-plan » le peut. Pour un langage de scénario supplémentaire, comparez ces exemples de prompts Nano Banana Pro et ne conservez que les champs qui affectent concrètement votre propre résultat.
Modèle de prompt JSON Nano Banana pour la génération d'images
Pour une nouvelle image, définissez d'abord le sujet, puis progressez vers l'extérieur à travers l'environnement, la composition, la caméra, la lumière et la finition. Cette hiérarchie réduit les contradictions en fin de processus.
{ "task": "générer une image de campagne photoréaliste", "subject": { "type": "coureuse de trail fictive", "appearance": "fin de la vingtaine, cheveux bouclés foncés, coupe-vent orange", "action": "laçage d'une chaussure avant le lever du soleil" }, "environment": { "location": "départ de sentier montagneux et rocheux", "weather": "légère brume matinale", "background": "crêtes superposées sans bâtiments" }, "composition": { "shot": "portrait environnemental moyen-large", "framing": "sujet sur le tiers gauche, espace ouvert à droite", "aspect_ratio": "16:9" }, "camera": {"lens": "35mm", "angle": "légèrement bas", "motion": "figé"}, "lighting": {"key": "lumière de contour au lever du soleil", "fill": "lumière de ciel douce et froide"}, "style": {"medium": "photographie éditoriale en plein air", "finish": "texture réelle de peau et de tissu"}, "constraints": ["mains anatomiquement correctes", "pas de logos", "pas de texte", "pas de membres supplémentaires"]}
Quand l'exploration est l'objectif, le langage naturel peut être plus rapide. Utilisez le JSON après avoir identifié les variables qui comptent, ou lorsqu'un rendu réussi doit devenir un actif de production réutilisable. Les équipes e-commerce peuvent également adapter les blocs de scène, de surface, de caméra et d'éclairage à partir de ces modèles de prompts pour maquettes de produits IA.
Prompts JSON pour l'édition d'images sans modifications indésirables
Le prompt d'édition le plus sûr est étroit. Décrivez l'image source, isolez la cible de modification, spécifiez le remplacement et répétez les règles de préservation en termes visuels.
{ "task": "modifier le portrait fourni", "edit": { "operation": "remplacer l'arrière-plan", "target": "pixels derrière la personne", "replacement": "quai de gare de montagne brumeux à l'aube" }, "match": { "perspective": "correspondre au niveau des yeux et à la longueur focale de la source", "lighting": "ajouter une lumière ambiante froide subtile et un débordement réaliste en bordure", "shadows": "maintenir des ombres de contact naturelles et directionnelles" }, "preserve": [ "identité faciale exacte et âge", "ligne des cheveux, coiffure et couleur des yeux", "design et couleur de la veste", "expression, pose, mains et recadrage" ], "constraints": ["ne pas ajouter d'accessoires", "ne pas embellir le visage", "pas de texte"]}
Si vous souhaitez tester ce modèle sans gérer un flux de travail local, le générateur d'images Nano Banana de Media.io prend en charge la création et l'édition d'images guidées par prompt dans le navigateur. Pour les utilisateurs travaillant spécifiquement avec la nouvelle voie de modèle, l'édition image-à-image Nano Banana 2 est l'espace de travail le plus direct. Téléchargez une source claire, appliquez une modification contrôlée, puis comparez l'identité, la géométrie, l'éclairage et les ajouts indésirables avant d'élargir le prompt.
Essayez une modification structurée avec Nano Banana 2
Flux de travail JSON pour la cohérence des personnages et les maquettes de produits
Maintenir un personnage identifiable à travers de nouvelles scènes
La cohérence d'un personnage ne peut pas être réduite à un seul champ appelé « même personnage ». Un bloc d'identité réutilisable doit décrire la géométrie faciale stable, les cheveux distinctifs, la tranche d'âge, les proportions corporelles, la garde-robe signature et un ou deux éléments d'ancrage identitaire. La scène, la pose, la caméra et l'expression deviennent alors des variables remplaçables.
{ "character_id": "courier_01", "identity_lock": { "face": "visage ovale, yeux gris bien écartés, nez droit, légère cicatrice sur la joue gauche", "hair": "carré court cuivré avec frange sur le côté", "proportions": "silhouette athlétique, hauteur et largeur d'épaules constantes", "signature": ["veste utilitaire sarcelle", "petit pendentif argenté"] }, "scene_variables": { "location": "gare de transit orbital pluvieuse", "action": "consultation d'une carte d'itinéraire holographique", "shot": "plan moyen rapproché", "expression": "concentré mais calme" }, "preserve": ["identity_lock", "âge", "teint de peau", "design de la veste", "pendentif"]}
Pour un flux de travail guidé dans le navigateur, consultez l'outil de cohérence des personnages Nano Banana. Utilisez-le après avoir défini un bloc d'identité compact ; ajouter davantage d'adjectifs est moins utile que de protéger quelques traits distinctifs et répétables.
Créer des variantes de produits sans reconcevoir le produit
Les prompts de produit doivent séparer la géométrie de produit immuable de la direction artistique de campagne modifiable. Préservez la silhouette, le bouchon, le matériau, le placement de l'étiquette, les proportions et les couleurs de la marque. Faites varier la surface, l'arrière-plan, les accessoires, l'objectif et l'éclairage. Pour la production e-commerce, le générateur de maquettes de produits Nano Banana est plus adapté contextuellement qu'un outil générique d'image-à-vidéo.
Prompt JSON pour la composition multi-images
Le prompting multi-images échoue lorsque le modèle ne connaît pas le rôle de chaque entrée. Assignez à chaque référence une fonction : référence d'identité, référence de produit, référence d'environnement, référence de pose ou référence de style. Définissez ensuite la priorité lorsque deux sources sont en désaccord.
{ "task": "combiner trois images fournies en une seule publicité de voyage", "inputs": [ {"image": 1, "role": "préserver l'identité du modèle et sa garde-robe"}, {"image": 2, "role": "préserver la forme, le matériau et la couleur de la valise"}, {"image": 3, "role": "utiliser la terrasse de l'hôtel comme environnement"} ], "composition": "modèle debout à côté de la valise près de la rambarde de la terrasse", "integration": { "scale": "proportions physiquement plausibles entre l'humain et les bagages", "lighting": "unifier tous les sujets sous une lumière dorée de fin de journée", "shadows": "ajouter des ombres de contact cohérentes avec le sol de la terrasse", "depth": "modèle et valise nets, mer s'estompant doucement" }, "priority": ["identité du modèle", "géométrie du produit", "perspective de l'environnement"], "constraints": ["pas de valise dupliquée", "pas de doigts supplémentaires", "pas de bordures d'images sources visibles"]}
Lorsque le travail consiste principalement à combiner des références plutôt qu'à réécrire une scène entière, un flux de travail de combinaison d'images par IA peut réduire l'ambiguïté du prompt. Évaluez le mélange des bords, l'échelle des objets, la direction de la lumière, les ombres de contact et si le cadre final respecte toujours le rôle assigné à chaque source.
Erreurs courantes dans les prompts JSON de Nano Banana
| Échec | Ce qui se passe | Correction |
| Syntaxe JSON invalide | Les humains et l'automatisation ne peuvent pas réutiliser le prompt de manière fiable. | Utilisez des guillemets doubles, des accolades correspondantes, sans virgules finales, et validez avant de stocker. |
| Champs contradictoires | Le prompt demande à la fois une lumière de lever de soleil chaude et une lumière clinique froide, ou à la fois un gros plan et un plan large. | Choisissez une priorité et supprimez la direction créative dupliquée. |
| Imbrication excessive | Le prompt devient long sans ajouter d'informations visuellement utiles. | Conservez un schéma peu profond avec des champs qu'un relecteur peut parcourir rapidement. |
| Valeurs vagues | Des mots tels que « meilleur », « beau » et « cinématique » laissent les décisions au modèle. | Décrivez des choix observables de caméra, lumière, matière, couleur et composition. |
| Pas de règles de préservation | L'identité, la forme du produit, la pose, le recadrage ou les couleurs de la marque dérivent lors d'une modification. | Créez un tableau de préservation explicite et réduisez la cible de modification. |
| Trop de modifications | Le modèle résout le prompt en reconstruisant l'intégralité du cadre. | Effectuez des modifications séquentielles et approuvez chaque étape. |
| Logique spatiale impossible | Les mains, les reflets, l'échelle et le contact avec les objets deviennent incohérents. | Simplifiez les interactions et définissez la perspective, l'échelle et les ombres. |
Un ordre de débogage utile est : supprimer les conflits, réduire le nombre de modifications, renforcer la préservation, simplifier le schéma, améliorer l'image de référence, et seulement ensuite ajouter plus de détails. Les longues invites cachent souvent la contradiction réelle.
Un flux de travail JSON répétable pour les invites
- Rédigez l'objectif visuel en une phrase. Si vous ne pouvez pas formuler clairement la modification, le JSON ne fera qu'organiser l'ambiguïté.
- Classifiez la tâche. Choisissez générer, modifier, combiner, étendre, restaurer ou créer des variantes.
- Séparez les variables verrouillées et modifiables. L'identité, la géométrie du produit, les logos, la pose ou le recadrage peuvent devoir rester fixes.
- Choisissez uniquement les champs pertinents. N'incluez pas de contrôles de caméra pour un graphique plat à moins qu'ils ne servent un objectif.
- Validez la syntaxe. Stockez les modèles en JSON valide s'ils doivent être réutilisés dans des feuilles de calcul, des scripts ou des automatisations.
- Exécutez le test minimal utile. Testez une modification avant de demander une campagne complète.
- Révisez avec des critères. Vérifiez la préservation, la modification demandée, l'anatomie, le nombre d'objets, le texte, la perspective, la lumière et les artefacts.
- Versionnez les invites réussies. Sauvegardez l'invite, les références d'entrée, le modèle, la date, le format d'image et le résultat.
La meilleure invite JSON Nano Banana n'est pas la plus longue. C'est la plus petite instruction structurée qui rend le changement souhaité testable tout en protégeant ce que l'utilisateur apprécie déjà. Commencez par un schéma stable, améliorez-le à partir de vraies erreurs, et conservez des modèles spécifiques aux scénarios pour les portraits, les produits, les personnages et les compositions.
Foire aux questions
-
Qu'est-ce qu'une invite JSON Nano Banana ?
Une invite JSON Nano Banana organise une demande de génération ou de modification d'image en champs nommés tels que sujet, environnement, caméra, éclairage, opérations de modification, contraintes et règles de préservation. Il s'agit d'une convention d'invite, pas nécessairement d'un schéma API officiel strict. -
Nano Banana comprend-il le vrai JSON ?
Les modèles d'images Gemini peuvent généralement suivre des instructions de type JSON bien formées car la structure sépare clairement les variables. Cependant, le modèle peut interpréter le JSON sémantiquement plutôt que de le valider comme un logiciel, donc une syntaxe valide ne garantit pas que chaque champ sera respecté. -
Les invites JSON sont-elles meilleures qu'une invite normale ?
Le JSON est préférable pour les flux de travail répétables, multi-variables, de modification, par lots et en équipe. Une courte invite en langage naturel peut être plus rapide pour l'exploration. La structure est la plus utile lorsque vous devez modifier une variable tout en préservant tout le reste. -
Comment empêcher Nano Banana de modifier un visage ?
Énoncez explicitement les règles de préservation de l'identité : préserver la géométrie du visage, l'âge, le teint, la ligne des cheveux, la couleur des yeux, l'expression et les proportions corporelles. Limitez la portée de la modification, identifiez ce qui peut changer et utilisez l'image de référence la plus claire disponible. -
Que doit-on inclure dans une invite JSON de modification d'image ?
Incluez le rôle de l'image source, l'opération de modification, la région cible, le remplacement souhaité, les règles de préservation, la composition, la correspondance de l'éclairage, les contraintes de réalisme et une liste des éléments qui ne doivent pas être ajoutés ou modifiés. -
Puis-je réutiliser une invite JSON pour plusieurs images ?
Oui. Traitez les champs stables comme un modèle et remplacez les variables telles que l'arrière-plan, la caméra, la garde-robe, le format d'image ou la scène de campagne. Conservez une invite principale versionnée afin que les paramètres réussis restent reproductibles. -
Pourquoi une invite JSON valide produit-elle encore un résultat incorrect ?
Les causes courantes incluent des champs en conflit, des valeurs vagues, trop de modifications simultanées, des règles de préservation manquantes, des images de référence faibles, des instructions spatiales impossibles ou des limitations du modèle. Simplifiez la demande et testez une modification à la fois.
