October 16

如何使用 Nano Banana 2.1 結合多張參考圖片

經測試的 Nano Banana 2.1 工作流程，可結合人物身分、服裝與場景參考，同時保留重要細節。

模型 ai-photo-generation 教學 Nano Banana 2.1 多參考圖片多參考圖生成 AI 圖像生成

將多個參考來源整合成一張可信的影像，並不只是上傳更多檔案那麼簡單。每張圖片都需要明確分配任務：一張控制人物身分，另一張控制服裝，還有一張控制環境。若沒有這份角色分工，模型可能會混合細節、遺漏配件，或讓某一張參考圖主導整體構圖。

我們在 WeShop Nano Banana 生成器中測試了一套三參考圖工作流程，使用虛構人物肖像、平鋪服裝照，以及京都雨中街景。最終影像保留了角色的主要身分特徵、帶入所有指定服裝項目，並維持場景中暖色櫥窗與冷色街道的光線對比。唯一明顯的不足是取景：要求的四分之三身肖像，結果更接近近乎全身的構圖。

測試工作流程

圖片 1：人物身分。圖片 2：完整服裝。圖片 3：地點與光線。輸出：一張具明確保留規則的旅遊編輯肖像照。

為何多張參考圖片需要分配角色

「結合這些圖片」這句話留下了太多待決定的空間。更好的提示詞會告訴模型，哪個來源負責結果中的哪個部分。它也會重複說明必須保留下來的少數細節：一顆美人痣、圍巾圖樣、口袋數量、一盞燈籠，或特定的色彩對比。

Google 的 Nano Banana 2.1 模型卡指出，該模型針對多參考圖編輯、角色一致性、產品一致性與一般編輯進行了專門評估。因此，以角色分工方式進行合成是合理的使用情境，但這不代表不需要檢查每一項結果。我們的測試只是一次觀察到的執行結果，並非成功率聲明。

本次測試使用的三張參考圖片

Fictional woman used as the identity reference for Nano Banana 2.1 — **Reference 1 — identity.** Face shape, shoulder-length hair, side part, and beauty mark.

Flat-lay travel outfit used as the wardrobe reference — **Reference 2 — wardrobe.** Orange jacket, cream turtleneck, navy trousers, teal scarf, and tan boots.

Rainy Kyoto street used as the location reference — **Reference 3 — scene.** Bookshop, wet stone lane, one red lantern, and blue-hour light.

這些參考圖刻意保持乾淨且資訊不重疊。肖像不包含會互相競爭的服裝或地點資訊；服裝以沒有模特兒的平鋪方式呈現；場景中則沒有人物。這能在開始撰寫提示詞前降低歧義。

結合三張參考圖片的提示詞

可直接複製的多參考圖提示詞

圖片 1 是人物身分參考。圖片 2 是服裝參考。圖片 3 是地點參考。建立一張完成度高、4:5 比例的寫實旅遊編輯肖像照：圖片 1 中完全相同的女性，於藍調時刻站在圖片 3 的書店外，穿著圖片 2 中的完整服裝：焦橘色四口袋蠟布外套、奶油色羅紋高領毛衣、深藍色長褲、帶有細小金色圓點的青綠色圍巾，以及棕褐色踝靴。呈現她位於畫面左側三分之一處的四分之三身構圖，手持一本闔上的奶油色筆記本垂於身側，望向溫暖的書店櫥窗。保留她的臉部輪廓、及肩黑髮、側分髮型，以及左眼下方的美人痣。保留街道配置、一盞紅色燈籠、濕石板地的反射，以及暖色櫥窗／冷色街道的色彩對比。

自然的 50mm 旅遊攝影風格，小雨。不要加入其他人物、包包、帽子或額外配件；不要有可辨識文字、文字內容、標誌或浮水印。不要將服裝融入背景，也不要改變女性的身分特徵。

這種結構之所以有效，是因為它包含四個層次：來源對應、輸出簡述、保留錨點與排除條件。模型無須自行推斷哪張圖片控制哪項特徵。

Nano Banana 2.1 保留了什麼，以及遺漏了什麼

Nano Banana 2.1 result combining a woman, outfit, and rainy Kyoto street from three references — **Observed result.** The face and beauty mark remain recognizable; all five wardrobe components appear; the shop, wet lane, single lantern, and warm/cool lighting survive. The figure is framed closer to full body than the requested three-quarter length.

保留效果最強的是那些同時在來源中可見、並於文字中再次說明的細節。圍巾、四口袋外套與美人痣，並非只交由視覺推論決定。取景上的失誤提醒我們：即使影像精緻，仍可能不符合某項製作限制。

可重複使用的多參考圖工作流程

為每張參考圖指定一項主要職責。 可使用人物身分、服裝、產品、姿勢、光線或環境等標籤。
盡可能移除相互競爭的資訊。 乾淨的服裝平鋪照，比包含另一名人物與地點的繁雜時尚照片更容易解讀。
再次說明身分鎖定條件。 指出若被改變就會使輸出無法接受的臉部、物品或服裝細節。
獨立描述最終構圖。 參考圖提供素材；提示詞仍需要說明取景、主體位置、視線、鏡頭與光線。
加入與可能失敗情況相關的排除條件。 避免額外人物、配件、文字、重複物件或混合材質。
逐張參考圖檢查。 先比較人物身分，再比較服裝，最後比較環境，而不是只判斷整體氛圍。

適用於你自己圖片的提示詞範本

角色對應範本

圖片 1 是 [人物身分 / 產品] 參考圖。
圖片 2 是 [服裝 / 材質] 參考圖。
圖片 3 是 [地點 / 光線] 參考圖。
建立一張 [長寬比] 的 [影像類型]，呈現 [最終場景]。
使用圖片 1 中的 [主體]、圖片 2 中的 [細節]，以及圖片 3 中的 [環境]。
精確保留：[身分錨點]、[物件細節]、[顏色 / 圖樣] 與 [場景地標]。
構圖：[取景]、[位置]、[視線 / 動作]、[鏡頭]。
光線：[主光]、[色彩對比]、[時段]。
不要加入 [常見額外元素]。不要改變 [鎖定特徵]。不要有文字、標誌或浮水印。

常見失敗情況與修正方法

人物發生變化： 重複兩到三項身分錨點，並從來源組合中移除其他臉孔。
服裝不完整： 列舉每一件必要服裝，以及其關鍵顏色或材質。
參考來源被混合： 為每張圖片分配一項明確角色，並說明細節衝突時以哪個來源為準。
場景過於通用： 指出兩到三個結構性地標，而不只描述「夜晚的京都」這類氛圍。
裁切偏離要求： 同時指定裁切方式與必須保留在畫面內的內容；若不符合便重新生成。

最終重點

多參考圖生成最適合視為一套小型藝術指導系統。圖片提供依據；提示詞分配控制權並定義最終畫面。在這次測試中，Nano Banana 2.1 成功且可信地結合了人物身分、服裝與地點，但取景仍需要人工品質檢查。

如需更完整的提示詞框架，請閱讀 Nano Banana 2.1 提示詞指南。如需經測試的角色工作流程，請參閱如何建立一致的角色分鏡。