mattmuller/gemini-referenzbilder

Bildgenerierung mit Gemini anhand von Referenzbildern

Mit Gemini kannst du Bilder nicht nur aus einem Prompt, sondern auch aus von dir bereitgestellten Bildern generieren. So behältst du einen Charakter über mehrere Aufnahmen hinweg konsistent oder platzierst einen echten Produkt-Screenshot in einer generierten Szene anstatt einer erfundenen.

Limits nach Modell

Entnommen aus der Gemini API-Dokumentation zur Bildgenerierung vom 19. September 2026. Modellnamen und Limits ändern sich; lies die aktuelle Seite erneut, bevor du dich darauf verlässt.

Bis zu 14 Referenzbilder insgesamt, mit kategoriebezogenen Unterlimits, die separate Zuteilungen und kein gemeinsamer Pool sind:

Modell	Objekte	Charaktere	Stil
gemini-3.1-flash-image	10	4	3
gemini-3-pro-image	6	5	-
gemini-3.1-flash-lite-image	14	-	-

Produkt-Screenshots und Charakterporträts konkurrieren daher nicht um das Budget. Ein Bild kann mehrere Bildschirme und mehrere Personen enthalten.

Die Kategorien werden inferiert, nicht deklariert. Über das AI SDK und ein Gateway sendest du undifferenzierte file-Teile; es gibt kein Feld, das sagt „dieses ist ein Charakter“. Behandle 14 als die tatsächliche Obergrenze und bleibe deutlich darunter. Die Kategorielimits beschreiben, was das Modell kann, nicht etwas, das du erzwingen kannst. In der Praxis reichen zwei Bildschirme plus zwei Personen völlig aus.

Der Aufruf

Über das Vercel AI Gateway verhielt sich das Bildmodell wie ein Sprachmodell: Es antwortete auf die Text-API mit dem Bild in files, während die dedizierte Bild-API es ablehnte. Prüfe, wie dein eigener Provider-Route es bereitstellt.

const result = await generateText({
  model,
  prompt: [{ role: 'user', content: [
    ...references.map((r) => ({ type: 'file', mediaType: r.mediaType, data: r.bytes })),
    { type: 'text', text: prompt },        // Bilder zuerst, dann die Anweisung
  ]}],
  providerOptions: { google: {
    responseModalities: ['IMAGE'],
    imageConfig: { aspectRatio: '4:5', imageSize: '2K' },
  }},
});
const file = result.files.find((f) => f.mediaType.startsWith('image/'));

Seitenverhältnisse: 1:1 3:2 2:3 3:4 4:3 4:5 5:4 9:16 16:9 21:9. Größen: 512px 1K 2K 4K.

Fallstricke

1. Schreibe nicht „keine Wasserzeichen“, wenn Referenzen angehängt sind. Gemini scheint dies als Aufforderung zu verstehen, Wasserzeichen aus den bereitgestellten Bildern zu entfernen, und lehnt den gesamten Aufruf ab. Gemessen im September 2026, zwei Durchläufe pro Prompt-Ende, zwei Referenzen angehängt:

Prompt-Ende	Ergebnis
„Niemals eine Illustration, ein 3D-Render…“	Bild, Bild
„Menschen, Gesichter, Hände … sind willkommen.“	Bild, Bild
„Kein Logo eines anderen Unternehmens.“	Bild, Bild
„Keine Wasserzeichen.“	Content-Filter, Content-Filter

Nur die Wasserzeichen-Formulierung löste es aus. Eine aus einem anderen Bildtool übernommene Negativ-Prompt-Konvention (viele enden mit „Wasserzeichen, übersättigt, Stockfoto“) kann stillschweigend jeden Aufruf zerstören.

2. Eine Ablehnung sieht aus wie ein unzuverlässiges Modell. Es gab finishReason: 'content-filter' zurück, null Dateien und einen leeren String. Wenn deine Fehlermeldung result.text ausgibt, siehst du nichts und schließt auf eine unzuverlässige API. Protokolliere immer finishReason.

3. Wiederhole eine leere Antwort, bevor du eine Ausnahme wirfst. Das Modell liefert gelegentlich aus gewöhnlichen Gründen nichts zurück. Wirf eine Ausnahme erst, wenn die Versuche ausgeschöpft sind, und füge finishReason in den Fehler ein.

4. Beschreibe nicht, was auf einem bereitgestellten Bildschirm zu sehen ist. Der Screenshot ist bereits vorhanden; Worte über seinen Inhalt kämpfen mit dem Bild und erzeugen ein Hybrid. Beschreibe nur die Szene, die ihn umgibt: den Tisch, das Licht, die Hände.

5. Das Modell zeichnet neu; es fügt nicht ein. Kleine Schrift auf einem Referenzbildschirm kann subtil verstümmelt zurückkommen, mit plausiblen, aber falschen Namen und Beschriftungen. Das ist in Ordnung bei Daumennagelgröße, aber falsch für alles, was ein Leser vergrößern wird. Überprüfe die Ausgabe, anstatt auf Wiedergabetreue zu vertrauen.

6. Referenzen machen die Ausgabe nicht weniger synthetisch. Ein Bild, das aus einem echten Screenshot und einem echten Porträt erstellt wurde, ist immer noch KI-generiert. Wende die Kennzeichnungs- oder Offenlegungsregeln an, die für deine Nutzung generierter Bilder gelten; prüfe, was auf dich zutrifft, anstatt anzunehmen, dass Referenzen davon ausnehmen.

Checkliste für eine Referenzbild-Pipeline

• Referenzteile kommen vor dem Textteil.
• Weniger als 14 Referenzen; idealerweise 4 oder weniger.
• Der Prompt beschreibt die Szene, nicht den Inhalt bereitgestellter Bildschirme.
• Keine Wasserzeichen-Formulierung im Prompt.
• finishReason wird protokolliert und leere Ergebnisse werden wiederholt.
• Die Ausgabe wird auf verstümmelte Kleinschrift geprüft, bevor sie veröffentlicht wird.