Cómo combinar varias imágenes de referencia con Nano Banana 2.1

Combinar varias referencias en una imagen creíble es más difícil que simplemente subir más archivos. Cada imagen necesita una función claramente asignada: una controla la identidad, otra controla el vestuario y otra controla el entorno. Sin ese mapa de funciones, un modelo puede mezclar detalles, eliminar accesorios o permitir que una referencia domine la composición.

Probamos un flujo de trabajo de tres referencias en el generador WeShop Nano Banana usando un retrato ficticio, un conjunto de ropa en composición plana y una calle lluviosa de Kioto. La imagen final conservó los principales rasgos de identidad del personaje, incorporó todas las prendas solicitadas y mantuvo la iluminación de ventanas cálidas frente a calles frías de la escena. El único fallo notable fue el encuadre: el retrato de tres cuartos solicitado se acercó más a una composición de cuerpo casi entero.

Por qué varias imágenes de referencia necesitan funciones asignadas

La frase «combina estas imágenes» deja demasiadas decisiones abiertas. Un prompt más sólido indica al modelo qué fuente controla cada parte del resultado. También repite los pocos detalles que deben conservarse: un lunar, el estampado de una bufanda, el número de bolsillos, un farol o un contraste de color específico.

La ficha de modelo de Nano Banana 2.1 de Google informa de evaluaciones específicas para edición con múltiples referencias, consistencia de personajes, consistencia de productos y edición general. Esto hace que la composición basada en funciones sea un caso de uso razonable, pero no elimina la necesidad de inspeccionar cada resultado. Nuestra prueba es una ejecución observada, no una afirmación sobre la tasa de éxito.

Las tres imágenes de referencia utilizadas en esta prueba

Las referencias se eligieron intencionadamente limpias y sin solapamientos. El retrato no contiene un vestuario ni una ubicación que compitan entre sí. El conjunto se muestra en composición plana sin una persona. La escena no contiene personas. Esto reduce la ambigüedad antes de comenzar a crear el prompt.

El prompt que combinó las tres referencias

La imagen 1 es la referencia de identidad. La imagen 2 es la referencia de vestuario. La imagen 3 es la referencia de ubicación.
Crea un retrato editorial de viaje realista terminado en formato 4:5 de la mujer exacta de la imagen 1, de pie frente a la librería de la imagen 3 durante la hora azul, llevando el conjunto completo de la imagen 2: chaqueta encerada naranja quemada de cuatro bolsillos, jersey de cuello alto acanalado color crema, pantalones azul marino, bufanda turquesa con pequeños puntos dorados y botines color canela.
Muéstrala en plano de tres cuartos en el tercio izquierdo, sosteniendo un cuaderno crema cerrado a su lado y mirando hacia la cálida ventana de la tienda. Conserva la forma de su rostro, su cabello negro hasta los hombros, la raya lateral y el lunar debajo del ojo izquierdo. Conserva la distribución de la calle, un farol rojo, los reflejos sobre la piedra mojada y el contraste de color entre ventanas cálidas y calle fría.
Fotografía de viaje natural con lente de 50 mm, lluvia ligera. Sin personas adicionales, sin bolso, sin sombrero, sin accesorios adicionales, sin letreros legibles, sin texto, sin logotipos ni marca de agua. No mezcles el conjunto con el fondo ni cambies la identidad de la mujer.

Esta estructura funciona porque tiene cuatro capas: asignación de fuentes, resumen del resultado, anclajes de conservación y exclusiones. Nunca se le pide al modelo que infiera qué imagen controla cada característica.

Lo que Nano Banana 2.1 conservó y lo que no logró

COMBINED RESULT

La conservación más sólida se dio en los detalles que eran visibles en una fuente y que también se repitieron en el texto. La bufanda, la chaqueta de cuatro bolsillos y el lunar no se dejaron únicamente a la inferencia visual. El fallo de encuadre recuerda que una imagen pulida aún puede incumplir una restricción de producción.

Un flujo de trabajo multirreferencia repetible

1. Asigna a cada referencia una responsabilidad principal. Usa etiquetas como identidad, vestuario, producto, pose, iluminación o entorno.
2. Elimina la información que compite cuando sea posible. Un conjunto limpio en composición plana es más fácil de interpretar que una fotografía de moda recargada con otra persona y ubicación.
3. Repite los rasgos de identidad bloqueados. Menciona los detalles faciales, de objetos o de prendas que harían inaceptable el resultado si cambian.
4. Describe la composición final de forma independiente. Las referencias aportan ingredientes; el prompt aún necesita encuadre, posición del sujeto, mirada, cámara e iluminación.
5. Añade exclusiones relacionadas con los posibles fallos. Evita personas adicionales, accesorios, texto, objetos duplicados o materiales mezclados.
6. Revisa referencia por referencia. Compara primero la identidad, luego el vestuario y después el entorno, en lugar de juzgar solo el ambiente general.

Plantilla de prompt para tus propias imágenes

La imagen 1 es la referencia de [IDENTIDAD / PRODUCTO].
La imagen 2 es la referencia de [CONJUNTO / MATERIAL].
La imagen 3 es la referencia de [UBICACIÓN / ILUMINACIÓN].
Crea una [TIPO DE IMAGEN] en [RELACIÓN DE ASPECTO] que muestre [ESCENA FINAL].
Usa [SUJETO] de la imagen 1, [DETALLES] de la imagen 2 y [ENTORNO] de la imagen 3.
Conserva exactamente: [ANCLAJES DE IDENTIDAD], [DETALLES DE OBJETOS], [COLORES / PATRONES] y [ELEMENTOS DESTACADOS DE LA ESCENA].
Composición: [ENCUADRE], [POSICIÓN], [MIRADA / ACCIÓN], [CÁMARA].
Iluminación: [LUZ PRINCIPAL], [CONTRASTE DE COLOR], [HORA DEL DÍA].
No añadas [EXTRAS COMUNES]. No cambies [CARACTERÍSTICAS BLOQUEADAS]. Sin texto, logotipos ni marca de agua.

Fallos habituales y soluciones

• La persona cambia: repite dos o tres anclajes de identidad y elimina otros rostros del conjunto de fuentes.
• El conjunto está incompleto: enumera cada prenda necesaria y su color o material definitorio.
• Las referencias se mezclan: asigna una función explícita a cada imagen e indica qué fuente prevalece si los detalles entran en conflicto.
• La escena es genérica: menciona dos o tres elementos estructurales destacados, no solo un ambiente como «Kioto de noche».
• El recorte se desvía: especifica tanto el recorte como lo que debe permanecer dentro del encuadre y vuelve a generar si falla.

Conclusión final

La generación con múltiples referencias funciona mejor como un pequeño sistema de dirección artística. Las imágenes aportan evidencia; el prompt asigna responsabilidades y define la toma final. En esta prueba, Nano Banana 2.1 combinó de forma convincente identidad, vestuario y ubicación, pero el encuadre aún requirió control de calidad humano.

Para conocer un marco de trabajo de prompts más amplio, lee la Guía de prompts de Nano Banana 2.1. Para ver un flujo de trabajo de personajes probado, consulta Cómo crear un storyboard de personajes consistente.