API do Nano Banana Pro: preços, exemplo em Python e endpoint

Se você está prestes a integrar o Nano Banana Pro a um app, três perguntas surgem antes de qualquer linha de código: quanto custa uma imagem, qual endpoint você chama e como é um script Python que funciona. Este artigo responde às três. Os números vêm da página de preços do próprio Google, as requisições estão prontas para colar no terminal, e as tabelas de orçamento mostram quanto custam mil imagens de verdade quando as novas tentativas são contadas. O Nano Banana Pro gera imagens em 1K, 2K ou 4K e aceita até 14 imagens de referência por requisição. Chegar até ele por API leva cerca de quinze minutos. Manter a conta previsível exige um pouco mais de reflexão, e é aí que está a maior parte deste artigo.

💡 Resposta rápida: o Google lista US$ 0,134 por imagem em 1K ou 2K e US$ 0,24 por imagem em 4K. O modo em lote corta os dois valores pela metade. Segundo relatos, o Replicate e o fal.ai cobram cerca de US$ 0,18 por imagem. Confira as tarifas atuais antes de fechar um orçamento, porque os provedores as ajustam.

O que é a API, na prática

Nano Banana Pro é o nome público. Na documentação para desenvolvedores do Google, o modelo se chama Gemini 3 Pro Image, e o identificador que você passa nos exemplos de código da API do Gemini é gemini-3-pro-image-preview. O Replicate hospeda o mesmo modelo como google/nano-banana-pro. São três nomes para uma só família de modelos, e essa divergência confunde quase todo mundo na primeira tarde de trabalho.

Uma API se justifica quando as imagens são produzidas por software, e não por uma pessoa: uma loja que gera uma foto de estilo de vida para cada produto novo, um boletim que precisa de um cabeçalho todas as manhãs, ou um app que permite que usuários reestilizem as próprias fotos. Para algumas poucas imagens avulsas, um navegador é mais rápido e não custa tempo de engenharia.

Um modelo, vários nomes

O que uma requisição pode fazer

Cada requisição pode combinar estes controles:

• Resolução: saída em 1K, 2K ou 4K.
• Imagens de referência: até 14 imagens enviadas junto com o prompt para direcionar estilo, sujeito ou composição.
• Proporção: predefinições como 1:1, 4:3, 3:2, 16:9, 9:16 e 21:9.
• Formato de saída: JPG ou PNG no esquema do Replicate.
• Nível do filtro de segurança: três configurações, do mais rigoroso ao mais permissivo. Alguns prompts ainda são bloqueados na mais permissiva.

Preços da API do Nano Banana Pro

É nos preços que os provedores mais divergem, então aqui estão os números, uma fonte por vez.

Tarifas oficiais do Google

O texto do prompt é cobrado à parte, a US$ 2,00 por milhão de tokens de entrada. Um prompt de 150 tokens custa, portanto, cerca de US$ 0,0003, o que é irrelevante perto da própria imagem. O gasto real está na imagem de saída, e a resolução é a maior alavanca que você controla: uma renderização em 4K custa cerca de 79 por cento a mais do que uma em 2K.

Como 1K e 2K têm o mesmo preço, a regra prática é simples. Use 1K para rascunhos, miniaturas e testes de prompt, quando a velocidade importa mais que os pixels. Use 2K para cabeçalhos de blog e páginas web, já que você não paga nada a mais pelo detalhe extra. Reserve 4K para impressão, telas grandes ou imagens que você pretende recortar bastante, pois essa é a única faixa em que o preço realmente muda.

💡 O identificador do modelo ainda traz a palavra "preview". O Google pode mudar nomes, limites e preços de modelos em preview, então leia a página de preços no dia em que planejar um lançamento.

O modo em lote reduz a conta pela metade

Trabalhos em lote custam exatamente a metade da tarifa padrão: US$ 0,067 em vez de US$ 0,134 em 1K ou 2K, e US$ 0,12 em vez de US$ 0,24 em 4K. A contrapartida é a velocidade. Você envia um arquivo de requisições, o Google as processa quando há capacidade e você recolhe os resultados depois. Isso serve para catálogos, atualizações noturnas e trabalhos de arquivo. Não serve para um botão pelo qual um cliente está esperando.

Um exemplo prático deixa a diferença concreta. Renderizar 2.000 fotos de produto em 2K custa US$ 268,00 na faixa padrão e US$ 134,00 em lote. Mesmo modelo, mesma saída, US$ 134,00 economizados por aceitar esperar.

Os acréscimos do Replicate e do fal.ai

Rastreadores de preços de terceiros relatam cerca de US$ 0,18 por imagem tanto no Replicate quanto no fal.ai. Em comparação com os US$ 0,134 do Google, isso representa cerca de 34 por cento a mais por imagem. Você paga por conveniência: nada de projeto no Google Cloud, um único token para centenas de modelos e uma API de predições uniforme. Confira a página do modelo em cada plataforma antes de orçar, já que apenas os valores do Google acima vêm diretamente da página do próprio fornecedor.

Como são os orçamentos mensais

Três cenários realistas

Estas linhas usam os preços de tabela do Google.

As linhas do estúdio são o par mais instrutivo. A fila noturna custa metade, então a única pergunta é se alguém precisa do pôster neste minuto.

Para precificar o seu projeto, multiplique as imagens esperadas por mês pela tarifa da sua faixa e depois divida pela sua taxa de aproveitamento. Uma loja que espera aproveitar 4 de cada 5 renderizações e precisa de 1.000 imagens 2K utilizáveis deve orçar 1.250 renderizações, ou cerca de US$ 167,50 na tarifa padrão.

As novas tentativas geram um custo oculto

Ninguém aproveita todas as renderizações. Se você aproveita quatro de cada cinco imagens, cada imagem aproveitada custa US$ 0,134 ÷ 0,8 = US$ 0,1675 em 2K e US$ 0,30 em 4K. A maioria das novas tentativas vem de prompts vagos, e não de bloqueios, o que significa que a correção mais barata é escrever melhor, e não ter um orçamento maior. Três hábitos reduzem esse número:

• Teste primeiro em 1K. Os resultados voltam mais rápido, e você só refaz em 4K os melhores.
• Armazene em cache por requisição. Faça o hash do prompt somado aos parâmetros, para que uma chamada idêntica nunca seja cobrada duas vezes.
• Registre cada chamada. Um total de custos acumulado por projeto detecta um loop descontrolado antes que a fatura o faça.

O endpoint, passo a passo

Endpoint da API do Gemini do Google

A rota REST segue o padrão usual do Google:

POST https://generativelanguage.googleapis.com/v1beta/models/gemini-3-pro-image-preview:generateContent

Copiar prompt

Autentique-se com a credencial que você cria no Google AI Studio, enviada em um cabeçalho da requisição, como descreve a referência da API do Gemini. O corpo traz o prompt e uma configuração de imagem:

{
  "contents": [{"parts": [{"text": "A ceramic mug on a walnut desk at sunrise, 85mm lens, soft window light"}]}],
  "generationConfig": {
    "responseModalities": ["TEXT", "IMAGE"],
    "imageConfig": {"aspectRatio": "16:9", "imageSize": "2K"}
  }
}

Copiar prompt

A resposta chega como texto em base64 dentro da parte da imagem, então você a decodifica antes de gravar um arquivo. A documentação atual do Google também mostra uma chamada mais nova, no estilo de interações, cujo nome de modelo não tem mais o sufixo "preview". Os nomes dessa família já mudaram antes, então confirme a string exata na documentação antes de publicar.

Endpoint REST do Replicate

O Replicate usa uma rota de predições por modelo:

curl -s -X POST \
  -H "Authorization: Bearer $REPLICATE_API_TOKEN" \
  -H "Content-Type: application/json" \
  -H "Prefer: wait" \
  -d '{"input": {"prompt": "A ceramic mug on a walnut desk at sunrise, 85mm lens, soft window light", "aspect_ratio": "16:9", "resolution": "2K", "output_format": "jpg"}}' \
  https://api.replicate.com/v1/models/google/nano-banana-pro/predictions

Copiar prompt

O cabeçalho Prefer: wait mantém a conexão aberta para uma resposta síncrona. Sem ele, você recebe um objeto de predição e consulta o endereço em urls.get até que o status mostre succeeded. O campo output da predição finalizada contém a URL da imagem. Baixe o arquivo e armazene-o você mesmo, em vez de apenas apontar um link para ele.

Exemplo em Python que funciona

Versão com o SDK do Gemini

Instale os pacotes com pip install google-genai pillow e depois execute:

from google import genai
from google.genai import types

client = genai.Client()  # reads your Gemini credential from the environment

response = client.models.generate_content(
    model="gemini-3-pro-image-preview",
    contents="A ceramic mug on a walnut desk at sunrise, 85mm lens, soft window light",
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"],
        image_config=types.ImageConfig(aspect_ratio="16:9", image_size="2K"),
    ),
)

for part in response.parts:
    if part.inline_data is not None:
        part.as_image().save("mug.png")
    elif part.text:
        print(part.text)

Copiar prompt

A documentação do Google pede um K maiúsculo em image_size, então escreva "2K" e não "2k". O loop também importa: o modelo pode devolver texto junto com a imagem, e um prompt bloqueado devolve texto sem imagem nenhuma.

Versão com o cliente do Replicate

import replicate

output = replicate.run(
    "google/nano-banana-pro",
    input={
        "prompt": "A ceramic mug on a walnut desk at sunrise, 85mm lens, soft window light",
        "aspect_ratio": "16:9",
        "resolution": "2K",
        "output_format": "jpg",
        "safety_filter_level": "block_only_high",
    },
)

with open("mug.jpg", "wb") as f:
    f.write(output.read())

Copiar prompt

Instale com pip install replicate e defina REPLICATE_API_TOKEN no seu ambiente. Para editar uma foto existente, adicione image_input com uma lista de URLs públicas de imagens (até 14) e descreva a mudança no prompt:

input={
    "prompt": "Place the mug from the first image on the desk from the second image",
    "image_input": [
        "https://example.com/mug.jpg",
        "https://example.com/desk.jpg",
    ],
    "aspect_ratio": "match_input_image",
}

Copiar prompt

Três detalhes de produção economizam tempo de depuração:

• Tempos limite: a galeria de exemplos da PicassoIA para este modelo indica cerca de 18 segundos para uma renderização 1K e 113 segundos para uma única renderização 2K. Defina tempos limite do cliente de pelo menos três minutos.
• Limites de taxa: tente novamente respostas HTTP 429 com backoff exponencial e limite o número de tentativas.
• Controle de custos: some a tarifa de tabela após cada chamada bem-sucedida.

PRICE = {"1K": 0.134, "2K": 0.134, "4K": 0.24}

def add_cost(total: float, resolution: str) -> float:
    return round(total + PRICE[resolution], 4)

Copiar prompt

Use o Nano Banana Pro no PicassoIA

Nem todo trabalho precisa de código. A página do Nano Banana Pro no PicassoIA roda o modelo no navegador, e a página o descreve como gratuito para testar, sem programação. O PicassoIA também mantém uma API para desenvolvedores em api.picassoia.com/v1, mas ela atende modelos próprios, como PicassoIA Image e PicassoIA Image Editor Pro, e não o Nano Banana Pro. Para usar o Nano Banana Pro por código, recorra ao Google ou ao Replicate, como mostrado acima.

1. Abra a página do modelo e escreva o prompt em linguagem simples: sujeito, lente, luz e clima.
2. Escolha uma proporção. Use 16:9 para banners, 9:16 para stories e 1:1 para avatares.
3. Selecione a resolução. 2K é o padrão, e 4K serve para impressão.
4. Adicione imagens de referência, se tiver, até 14.
5. Escolha JPG ou PNG e defina o nível do filtro de segurança.
6. Gere e depois mude algumas palavras, comparando variações antes de guardar uma.

Configurações que importam

💡 Com a proporção padrão, a saída segue a sua primeira imagem de referência. Defina uma proporção manualmente quando gerar apenas a partir de texto.

Imagens de referência sem código

As imagens de referência são o recurso que separa este modelo de uma simples ferramenta de texto para imagem. Envie uma foto de produto, um painel de inspiração ou um rosto que você queira manter consistente, e depois descreva a mudança em uma frase. O modelo mantém o contexto visual e aplica a sua edição. O mesmo limite de 14 imagens vale no navegador e na API.

Mais referências nem sempre significam resultados melhores. Comece com duas ou três, nomeie o papel de cada uma no prompt ("use a iluminação da segunda imagem") e mantenha a iluminação consistente no conjunto. Acrescente mais apenas quando o resultado se afastar do visual que você quer.

Quando um modelo mais barato ganha

O Nano Banana Pro é a escolha certa para saída em 4K e trabalhos pesados com referências. Rascunhos, miniaturas e material de preenchimento em volume raramente precisam desse teto.

Comparação rápida de modelos

Rascunhar prompts com um modelo de linguagem (LLM)

Um briefing curto produz uma imagem vaga, e uma imagem vaga produz uma nova tentativa. Peça a um modelo de linguagem que expanda o briefing antes. O Gemini 3.5 Flash é rápido o bastante para trabalhos em volume, e o Claude Sonnet 5 lida bem com instruções mais longas. Uma instrução útil fica assim:

Reescreva este briefing como um único prompt de imagem de 60 palavras. Nomeie o sujeito, o ângulo da câmera, a lente, a direção da luz e uma textura de superfície. Sem texto dentro da imagem.

Rode o prompt expandido em 1K, guarde o vencedor e só então pague pelo 4K. Esse hábito, um modelo de linguagem para o prompt e uma faixa barata para o teste, elimina a maior parte das renderizações desperdiçadas em um mês típico.

Crie sua primeira imagem hoje

Agora você tem as três coisas que as páginas da API escondem: as tarifas, os endpoints e um script que funciona. A forma mais rápida de saber se o Nano Banana Pro serve para o seu projeto é passar dez minutos com ele antes de gastar um centavo. Abra a página do Nano Banana Pro no Picasso IA, cole um prompt deste artigo, alterne entre 1K e 4K e adicione uma ou duas imagens de referência. Depois leve o prompt vencedor para o seu script Python. Experimente as configurações, compare os resultados lado a lado e deixe a tabela de orçamento decidir onde o código entra.