FR ▾

API textuelle sans censure pour votre pipeline

Comment utiliser les workflows Nano Banana API avec un LLM textuel

Ce site ne génère pas d'images. C'est une API LLM compatible OpenAI, textuelle uniquement, que les gens utilisent à côté d'outils d'images pour rédiger des prompts, des légendes et des scripts. Voici comment la configurer et l'utiliser.

Mis à jour le

Illustration isométrique de cartes de texte s'écoulant vers un cadre vide, montrant des prompts alimentant un workflow d'image

Points clés

  • L'API ne retourne que du texte : pas de génération d'image, d'audio ou de vidéo.
  • Utilisez l'URL de base https://api.nanobananaapis.com/v1, l'ID de modèle uncensored et une clé Bearer.
  • Un cas d'usage courant consiste à transformer des idées brutes en prompts d'image structurés en mode JSON.
  • Le coût des tokens d'entrée est de 0,15 $ et celui des tokens de sortie de 0,50 $ par 1M de tokens, et les requêtes échouées sont gratuites.

À lire d'abord : ce qu'est cette API et ce qu'elle n'est pas

Si vous êtes arrivé ici en vous demandant comment utiliser l'API nano banana pour produire des images, la réponse honnête est que ce service ne peut pas faire cela. « Nano Banana » est un nom que les gens attachent couramment à un modèle de génération d'images, et la génération d'images n'est pas proposée ici. Ce que nanobananaapis.com vend, c'est l'accès à un modèle de langage textuel via un point de terminaison compatible OpenAI.

Cela s'inscrit toujours dans de nombreux flux de travail d'images, car les outils d'image ne sont bons que dans la mesure où le texte que vous leur fournissez l'est. Un modèle textuel peut rédiger les prompts, les varier, les vérifier par rapport à une feuille de style, produire des légendes et du texte alternatif, et rédiger les scripts qui assemblent une chaîne de traitement. Cette page explique cette utilisation. Si vous avez seulement besoin d'images, vous voulez un service d'image à la place, et vous pouvez l'associer à celui-ci.

Le modèle est un unique modèle à poids ouverts, hébergé par un fournisseur indépendant, ajusté pour répondre sans refus de contenu pour un usage adulte légal. Ce n'est pas l'API officielle d'aucun grand fournisseur. La seule limite stricte : pas de contenu sexuel impliquant des mineurs.

Étape 1 : obtenir une clé

Inscrivez-vous avec Google, ou avec un e-mail et un mot de passe, puis ouvrez la page clé API. Vous verrez un bouton en un clic pour réclamer $0,50 de crédit d'essai. Ce crédit est valable 7 jours, il ne nécessite pas de carte et est limité à un par personne. Une clé d'essai permet 2 requêtes simultanées et 60 requêtes par minute, ce qui est largement suffisant pour tester.

Copiez la clé et gardez-la hors de votre dépôt. Dans un shell, vous pouvez la stocker comme ceci :

export NANOBANANA_KEY="paste-your-key-here"

Étape 2 : envoyer votre première requête

Trois valeurs comptent : l'URL de base, l'ID de modèle et l'en-tête Authorization. Tout le reste suit le format chat-completions OpenAI. Voici un premier appel avec curl :

curl https://api.nanobananaapis.com/v1/chat/completions   -H "Authorization: Bearer $NANOBANANA_KEY"   -H "Content-Type: application/json"   -d '{
    "model": "uncensored",
    "messages": [
      {"role": "user", "content": "Write one detailed image prompt for a foggy harbor at dawn."}
    ],
    "max_tokens": 200
  }'

La même chose en Python avec le package officiel openai :

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.nanobananaapis.com/v1",
    api_key=os.environ["NANOBANANA_KEY"],
)

r = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Write one detailed image prompt for a foggy harbor at dawn."}],
)
print(r.choices[0].message.content)

Et en Node :

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.nanobananaapis.com/v1",
  apiKey: process.env.NANOBANANA_KEY,
});

const r = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Write one detailed image prompt for a foggy harbor at dawn." }],
});
console.log(r.choices[0].message.content);

Vérifiez les en-têtes de réponse une fois. X-Balance-USD affiche votre crédit restant et X-Request-Id identifie l'appel si vous avez besoin d'aide. La page de documentation liste tous les paramètres pris en charge.

Étape 3 : transformer les idées en prompts structurés

L'astuce la plus utile pour un pipeline d'image est d'amener le modèle à retourner des données structurées au lieu de texte libre. Le mode JSON fait cela. Vous décrivez le schéma dans le message système, et la réponse s'analyse directement dans votre code, de sorte qu'une liste d'idées brutes devient un tableau de prompts avec des champs fixes.

import json, os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.nanobananaapis.com/v1",
    api_key=os.environ["NANOBANANA_KEY"],
)

SYSTEM = (
    "You write prompts for an image model. Reply with JSON only: "
    '{"prompts": [{"subject": str, "style": str, "lighting": str, "negative": str, "full": str}]}'
)

def expand(idea: str, n: int = 3):
    r = client.chat.completions.create(
        model="uncensored",
        response_format={"type": "json_object"},
        temperature=0.9,
        messages=[
            {"role": "system", "content": SYSTEM},
            {"role": "user", "content": f"Give {n} distinct prompts for: {idea}"},
        ],
    )
    return json.loads(r.choices[0].message.content)["prompts"]

for p in expand("a lighthouse keeper's kitchen in winter"):
    print(p["full"])

Augmentez la température lorsque vous voulez de la variété et réduisez-la pour la cohérence. Le paramètre seed est transmis, donc vous pouvez le figer lorsque vous devez reproduire un lot précédent. Enveloppez toujours json.loads dans un bloc try et relancez une fois si l'analyse échoue, car tout modèle de langage peut faire une erreur.

Le site propose également un article explicatif connexe sur la partie image : génération de prompt et post-traitement. Il couvre comment l'étape textuelle s'articule avec un générateur.

Autres tâches qu'un modèle textuel gère bien dans un workflow d'image

  • Feuilles de style. Gardez un seul message système avec vos règles de style fixes et alimentez chaque nouveau sujet à travers lui, afin qu'une série entière reste visuellement cohérente.
  • Légendes et texte alternatif. Une fois que les images existent, décrivez-les en quelques mots chacune. Transmettez votre propre description de l'image en entrée ; le modèle ne peut pas voir les images, car l'API ne prend que du texte.
  • Listes de plans et scripts. Pour un storyboard ou une courte vidéo, rédigez la liste des scènes, la voix off et les étapes à l'écran sous forme de texte.
  • Critique de prompt. Collez un prompt qui donne de mauvais résultats et demandez trois réécritures avec les changements expliqués.
  • Fiction et travail de personnages pour adultes. Fiches de personnage, arrière-plats et dialogues pour des histoires et des applications de compagnons, avec le modèle ne refusant pas les thèmes adultes légaux.

Pour les tâches longues, diffusez la sortie avec stream: true afin qu'une interface utilisateur puisse afficher le texte à mesure qu'il arrive. L'appel de fonctions est également pris en charge, ce qui permet à un modèle de décider quand appeler votre propre fonction, par exemple une qui soumet un prompt au service d'image que vous utilisez.

Limites et coût d'une exécution

Connaissez les chiffres avant de lancer un lot. Une clé principale permet 8 requêtes simultanées et 300 requêtes par minute. La fenêtre de contexte est de 100 000 tokens couvrant le prompt et la complétion, le corps de requête maximum est de 8 MB, et max_tokens est optionnel. En cas de dépassement du débit, le serveur renvoie un HTTP 429 avec le code rate_limited ou concurrency ; attendez et réessayez.

La tarification est de $0,15 par 1M de tokens d'entrée et $0,50 par 1M de tokens de sortie. Disons que vous générez 500 ensembles de prompts, chacun avec une entrée de 400 tokens et une sortie de 600 tokens :

  • Entrée : 500 x 400 = 200 000 tokens x $0,15 / 1M = $0,03
  • Sortie : 500 x 600 = 300 000 tokens x $0,50 / 1M = $0,15
  • Total : $0,18

Ainsi, le crédit d'essai de $0,50 couvre environ 1 300 ensembles de cette taille. Pour une utilisation régulière, rechargez n'importe quel montant entier de $20 à $500, par crypto (USDT sur TRC20, USDC sur Base). Les bonus sont de 5 % à partir de $50, 10 % à partir de $100 et 15 % à partir de $200. Voir la page de tarification pour le tableau. Le crédit n'expire jamais.

L'associer à un service d'image

La configuration habituelle comporte deux étapes. L'étape textuelle utilise cette API pour produire des prompts. L'étape image envoie ces prompts à n'importe quel générateur d'image que vous utilisez, et ce générateur a son propre compte, sa propre tarification et ses propres règles, que vous devriez lire sur son site. Gardez les deux étapes dans des fonctions séparées, afin que vous puissiez modifier l'un ou l'autre côté sans réécrire l'autre.

Un conseil pratique : enregistrez chaque prompt avec le seed et la température que vous avez utilisés pour le créer. Lorsqu'une image se révèle bonne, vous pouvez la remonter jusqu'au texte exact qui l'a produite, et lorsqu'un lot déçoit, vous pouvez voir si la faute venait de l'idée, du rédacteur de prompts ou du modèle d'image. Cela vous donne également un moyen peu coûteux de comparer deux messages système en exécutant les deux sur la même liste d'idées et en jugeant les deux ensembles de prompts côte à côte.

Un petit script de bout en bout

Pour assembler les pièces, voici un court script qui lit un fichier d'idées brutes, développe chacune en prompts avec le mode JSON, et écrit le résultat dans un fichier que votre outil d'image peut lire. Il gère un mode d'échec qui vous mordra autrement : la réponse qui n'est pas un JSON valide.

import json, os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.nanobananaapis.com/v1",
    api_key=os.environ["NANOBANANA_KEY"],
)

def one(idea: str):
    for _ in range(2):
        r = client.chat.completions.create(
            model="uncensored",
            response_format={"type": "json_object"},
            messages=[
                {"role": "system", "content": 'Reply with JSON only: {"prompt": str}'},
                {"role": "user", "content": f"Write a vivid, specific image prompt for: {idea}"},
            ],
            max_tokens=250,
        )
        try:
            return json.loads(r.choices[0].message.content)["prompt"]
        except (json.JSONDecodeError, KeyError):
            continue
    return None

ideas = [line.strip() for line in open("ideas.txt") if line.strip()]
out = {i: one(i) for i in ideas}
json.dump(out, open("prompts.json", "w"), indent=2)

Exécutez-le sur cinq idées d'abord et lisez les résultats à l'œil. Ajustez le message système jusqu'à ce que les prompts correspondent au style que vous voulez, puis passez à l'échelle. Parce que chaque requête ici est petite, mille idées se terminent rapidement et coûtent des centimes.

Les erreurs des débutants

  • S'attendre à des images. La réponse est toujours du texte. Si votre code essaie de sauvegarder une image binaire à partir de la réponse, cela échouera, car il n'y en a pas.
  • Vous cherchez un autre nom de modèle. Il n'y a qu'un seul modèle, et son ID est uncensored. Copier un nom de modèle d'un autre fournisseur depuis un tutoriel provoque une erreur 404.
  • Oublier le message système. Sans lui, le modèle n'a pas de directives de style et dérive entre des prompts courts et longs. Placez-y vos règles.
  • Envoyer des données sensibles dans les prompts. Les prompts ne sont pas utilisés pour l'entraînement, mais vous devriez quand même éviter de coller des mots de passe ou des clés privées dans n'importe quelle entrée de modèle.
  • Exécuter cent requêtes à la fois. Une clé complète permet 8 requêtes simultanées. Utilisez un pool ou un sémaphore, et ajoutez un retry pour le code 429.

Si quelque chose se comporte de manière étrange, la page de support est l'endroit où poser la question, et l'ID de requête des en-têtes de réponse rend la question beaucoup plus facile à répondre.

Questions et réponses

Cette API peut-elle générer des images Nano Banana ?

Non. Il s'agit d'une API LLM textuelle uniquement. Elle peut rédiger des prompts, des légendes et des scripts pour des workflows d'images, mais elle ne produit pas d'images, d'audio ou de vidéo.

Quel nom de modèle dois-je indiquer ?

Utilisez uncensored comme ID de modèle, avec l’URL de base https://api.nanobananaapis.com/v1 et votre clé en tant que jeton Bearer.

Puis-je tester sans payer ?

Oui. Les nouveaux utilisateurs peuvent obtenir $0,50 de crédit d'essai gratuit en un clic sur la page de la clé API. Aucune carte n'est requise et il est valable 7 jours.

Le modèle voit-il mes images ?

Non. Il ne lit que du texte. Si vous avez besoin d’aide pour une image, décrivez-la dans votre message.

Mes prompts sont-ils utilisés pour l'entraînement ?

Non. Les prompts ne sont pas utilisés pour l'entraînement.

Votre clé est à un formulaire d'inscription

Créez un compte, copiez la clé, modifiez l'URL de base. C'est tout pour la configuration.

Obtenir une clé API