Nano Banana 2 と Lyria 3 — Googleのマルチモーダル攻勢

2026年2月9日 2026年2月9日 Mark4

Mark4

Nano Banana 2 — 画像生成の常識を変える

Googleが2026年2月に発表したNano Banana 2は、画像生成AIの新たなベンチマークを打ち立てました。「Pro品質の画像をFlash並みの速度で生成する」というコンセプトは、従来のトレードオフ — 品質を取るか速度を取るか — を根本から覆すものです。

従来の画像生成モデルは、高品質な画像を得るために数十秒から数分の生成時間が必要でした。Nano Banana 2は独自の蒸留技術により、Proモデルの品質を維持しながら生成速度を5〜10倍に向上させています。1024x1024の画像がわずか2〜3秒で生成されるのは、体感として別次元です。

特にSemantic Consistencyの向上は、実用面で大きな意味を持ちます。「赤い着物を着た三毛猫が縁側で日向ぼっこしている」のような複雑なプロンプトでも、各要素が正確に反映された画像が生成されます。

同時に発表されたLyria 3は、Googleの音楽生成AIの第3世代です。最大の進化はマルチモーダル入力に対応したことです。テキストによる指示だけでなく、画像を入力として音楽を生成できるようになりました。

例えば、夕暮れの海辺の写真を入力すると、その雰囲気に合った穏やかな曲が30秒間生成されます。秋の紅葉の写真なら、どこか物悲しい旋律が生まれる。この「画像→音楽」変換は、クリエイティブの世界に新しい表現手法をもたらす可能性を秘めています。

wagahiアプリは夏目漱石の「吾輩は猫である」をテーマにしたインタラクティブアプリです。現在はテキストベースの対話がメインですが、画像生成AIと音楽生成AIの進化は将来的な機能拡張の可能性を広げます。

例えば、キャラクターとの対話シーンに合わせたBGMをLyria 3で動的に生成したり、ユーザーが撮影した写真からキャラクターの衣装をNano Banana 2で生成したり。マルチモーダルAIの進化は、テキストだけのアプリをリッチな体験に変える鍵になるかもしれません。

Nano Banana 2とLyria 3の同時発表は、Googleの明確な戦略を示しています。テキスト、画像、音声、音楽 — あらゆるモダリティをAIで統合的に扱う「マルチモーダルプラットフォーム」を構築しようとしているのです。

Geminiモデルファミリーをベースに、テキスト理解（Gemini）、画像生成（Nano Banana）、音楽生成（Lyria）、動画生成（Veo）が一つのエコシステムとして連携する。開発者にとっては、一つのAPIキーで複数のモダリティにアクセスできる利便性が魅力的です。

AIの競争軸が「テキストの賢さ」から「マルチモーダルの総合力」へとシフトしつつある中、Googleのこの動きは注目に値します。

本記事は2026年2月時点の情報に基づいています。

著者: 株式会社シーテン — インフラ系から宇宙関連システムまで20年以上の開発経験を持つ技術者集団。2025年より生成AI・AIエージェントを活用したAI駆動開発に本格参入し、自社プロダクト「wagahi」の開発を通じて実践知見を蓄積中。