Gemini 2.0 Flash Image Generation が Vertex AI でパブリックプレビューになりました🚀

DX開発事業部の西田です。

Create and edit images with Gemini 2.0 in preview

developers.googleblog.com

Gemini 2.0 Flash での画像生成がパブリックプレビューになり、Vertex AIでも実行できるようになったので早速試してみたいと思います。

Gemini 2.0 Flash 画像生成でできること

Generate images with Gemini  |  Generative AI on Vertex AI  |  Google Cloud

Google Cloud

テキストから画像を生成

プロンプト：
「背景に花火がある東京タワーの画像を生成してください。」

生成結果：

日本語もサポートされています。

画像にテキストを入れる（テキストレンダリング）

プロンプト：
『「クラウドのことならアイレットにお任せ！」というボードを持った笑顔のビジネスマン。』

生成結果：

画像とテキストを交互に生成（インターリーブ）

プロンプト：
「おいしいカレーライスのレシピを考えてください。途中の調理風景と完成がわかる画像も一緒に生成してください。」

生成結果：

画像編集

プロンプト：
「スーツの色をピンク色にして。それ以外は何もしなくてよい。」

生成結果：

チャット形式でマルチターンで画像を編集していくことも可能です。

価格

Vertex AI Pricing  |  Generative AI on Vertex AI  |  Google Cloud

Discover flexible pricing for training, deployment, and prediction for Generative AI models with Vertex AI. Build and scale intelligent applications efficiently.

Google Cloud

トークンベースの価格は次のようになっています。

画像出力のトークン消費にかかるコストが大きいので注意が必要です。

目安として1024×1024の画像の場合、1290トークンを消費し、画像の解像度によっても異なります。
※参考

SDKで実行

!pip install google-genai==1.14.0

from google import genai
from google.genai.types import GenerateContentConfig, Modality
from PIL import Image
from io import BytesIO


client = genai.Client(
  vertexai=True, project=PROJECT_ID, location=LOCATION
)
response = client.models.generate_content(
    model="gemini-2.0-flash-preview-image-generation",
    contents=(
        "おいしいカレーライスのレシピを考えてください。"
        "途中の調理風景と完成がわかる画像も一緒に生成してください。"
    ),
    config=GenerateContentConfig(response_modalities=[Modality.TEXT, Modality.IMAGE]),
)

output_file_name = "output.md"
# 生成されたレスポンスの要素を順番に処理してMarkdownファイルに保存
with open(output_file_name, "w") as fp:
    for i, part in enumerate(response.candidates[0].content.parts):
        if part.text is not None:
            # テキストはそのまま書き出す
            fp.write(part.text)
        elif part.inline_data is not None:
            # 画像データがあれば画像として保存し、Markdownの画像タグを記載
            image = Image.open(BytesIO((part.inline_data.data)))
            image.save(f"example-image-{i+1}.png")
            fp.write(f"![image](./example-image-{i+1}.png)")

# Debug
# print(response.model_dump_json(indent=2))
# print(f"total_token_count: {response.usage_metadata.total_token_count}")

with open(output_file_name, "r", encoding="utf-8") as f:
    content = f.read()

print(content)

高品質な画像生成モデルはすでに Imagen がありますが、Geminiと統合されることでより直感的に対話を交えた形で画像生成、編集が行えるようになりますね。
生成速度も速く、対話形式でもストレスを感じにくいです。
プレビューなのでまだ安定していないところは少々ありますが、GAやバージョンアップでより改善されることが期待できそうです！