API GPT Image 2 pour générer et modifier des images

Qu'est-ce que GPT Image 2

Un modèle OpenAI pour générer et retoucher des images

Nous positionnons GPT Image 2 comme un modèle de génération et de retouche pour la création visuelle. Il produit de nouvelles images à partir de descriptions ou accepte des références et ajuste la scène selon les instructions.

En pratique, nous regardons s'il transforme un descriptif en image pouvant être affinée, comme une affiche avec un texte événementiel, une scène produit ou une esquisse de l'écran d'accueil d'une application.

Comprendre les exigences visuelles grâce au texte et aux références haute fidélité

Une fonction clé de GPT Image 2 est le traitement conjoint d'images de référence et d'instructions écrites. Selon la documentation OpenAI, les images d'entrée sont automatiquement traitées en haute fidélité et l'API native doit omettre input_fidelity. Le modèle peut ainsi exploiter les informations sur les personnes, produits et styles de l'image originale.

Nous recommandons d'expliquer le rôle de chaque référence. Par exemple, la première fournit l'apparence du produit, la deuxième le style du fond, et le texte indique ce qui peut changer. Cela facilite la vérification et les ajustements, par rapport à une simple demande de « rendre l'image plus belle ».

Des dimensions flexibles et plusieurs niveaux de qualité

GPT Image 2 prend en charge plusieurs dimensions pour les images produit carrées, couvertures verticales et affiches horizontales. L'API officielle accepte une sortie paysage jusqu'à 3840×2160 et les dimensions portrait correspondantes, avec les niveaux low, medium, high et auto.

Choisissez les dimensions selon l'emplacement final, et la qualité selon le détail et le coût. Pour les brouillons dont la composition évolue encore, utilisez une résolution plus basse pour confirmer la direction, puis générez une version finale haute résolution lorsque sujet, texte et disposition conviennent.

L'outil en ligne et l'API GPT Image 2 de RequestBeam

Avec RequestBeam, nous souhaitons vous aider à découvrir plus vite les performances de GPT Image 2 sur vos tâches. Après connexion et ajout d'un petit crédit, vous pouvez générer ou retoucher avec l'outil en ligne, sans écrire d'abord une intégration API ni acheter un abonnement fixe pour une courte évaluation. Quand les résultats conviennent, créez une API Key et intégrez le modèle à votre application, tout en réduisant la gestion de comptes sur plusieurs plateformes.

Principales fonctions et points forts de GPT Image 2

Texte chinois et multilingue : générer ensemble texte d'affiche et visuels

Nous apprécions la capacité de GPT Image 2 à placer du texte directement dans les images. Dans les cas réels de nos clients, le rendu des caractères chinois de GPT Image 2 s'est nettement amélioré par rapport à la version précédente de gpt-image. Ils ont aussi relevé des erreurs restantes sur le caractère « 笼 » de « 小笼包 » (xiaolongbao) et sur certains petits textes.

Pour les affiches d'événements, arguments de vente en image ou couvertures multilingues, fournissez le texte définitif et précisez la position, la taille relative et la langue de chaque passage. Vous pouvez essayer d'intégrer de courts titres à l'image générée. Pour les prix, dates, longs passages et textes devant être parfaitement exacts, vérifiez chaque caractère et effectuez au besoin une composition ou correction manuelle ensuite.

Composition complexe : gérer ensemble sujets, disposition et contraintes détaillées

Nous pensons que GPT Image 2 gère bien plusieurs exigences explicites dans une seule image. Un client a partagé une scène de bureau avec plusieurs fenêtres, du texte et des dessins ASCII, puis a continué de modifier le contenu de la fenêtre du navigateur et le dessin de chien qu'elle contenait.

Pour les visuels promotionnels, précisez ensemble sujet, fond, position du texte et espace libre, par exemple « placer le produit à droite, réserver le titre à gauche et disposer trois arguments en bas ». D'après notre expérience de GPT Image 2, des exigences très détaillées peuvent être bien exécutées.

Retouche à partir de références : continuer d'améliorer les ressources existantes

Nous recommandons GPT Image 2 pour modifier des ressources existantes : remplacer un fond, essayer des couleurs ou explorer un autre style. Dans des discussions publiques, un utilisateur a créé des maquettes visuelles à partir de références et jugé leur réalisme suffisant pour un travail professionnel. Un autre lui a demandé de modifier la couleur et la forme de certaines écailles d'un serpent, avec un résultat décevant. Retours sur les images de référence · Échec d'une retouche locale fine

Nous privilégierions donc des objectifs clairs et des changements faciles à inspecter. Pour remplacer le fond d'un produit, précisez par exemple que proportions du flacon, texte de l'étiquette et position doivent rester inchangés. Comparez ensuite original et résultat côte à côte, surtout logos, contours et reflets. Si une zone doit être strictement préservée, vous pouvez recomposer uniquement les changements nécessaires sur l'original.

Esquisses d'interfaces et propositions visuelles : discuter plus tôt des idées produit

Beaucoup de nos clients utilisent Images 2.0 pour esquisser des interfaces correspondant à leurs idées produit et ont apprécié les résultats.

Pour une interface d'administration, un écran d'accueil ou un menu de jeu, demandez d'abord plusieurs dispositions à GPT Image 2, puis utilisez les images pour discuter hiérarchie, couleurs et accents visuels. Cela facilite notamment la communication d'idées pour les développeurs indépendants. Une fois la direction choisie, réalisez-la avec de vrais composants, interactions et mises en page adaptatives ; l'image générée ne comprend pas ce travail de développement.

Personnages et storyboards : créer une série autour du même sujet

Nous pensons que GPT Image 2 mérite un essai pour concevoir des personnages et de petits storyboards. Un client a d'abord généré un portrait anthropomorphe, puis des vues latérales et des images d'action, et s'est dit satisfait de la conservation de l'apparence du personnage.

Établissez une référence du personnage, puis essayez une vue de face, une de profil et une action clé, en vérifiant visage, vêtements, couleurs et texture du fond. Développez la série complète seulement lorsque ces vues conviennent. Pour les histoires en plusieurs images, conservez aussi la référence originale plutôt que de repartir sans cesse de résultats déjà déformés.

Évaluations et performances de GPT Image 2

Nous conservons les versions des classements et niveaux de qualité, et distinguons évaluations formelles à l'aveugle, petits tests personnels et expériences d'utilisation.

Évaluation à l'aveugle texte-image : AA High atteint 1172 Elo

Dans le classement AA-Image-T2I v2.0 d'Artificial Analysis, GPT Image 2 en high obtient 1172±8 Elo, actuellement à la troisième place. Dans le même classement, GPT Image 1.5 en high obtient 1107±8 et Nano Banana 2 obtient 1126±7. GPT Image 2 reste donc compétitif avec les prompts et critères de préférence humaine de cette évaluation. Classement texte-image AA

Pour les affiches produit, couvertures et images à composition claire, incluez-le parmi les premiers modèles à essayer. Les équipes utilisant Image 1.5 peuvent comparer les descriptifs qui demandaient le plus de reprises, en vérifiant texte, disposition et détails du sujet. Ce résultat correspond à high ; nous ne l'appliquons pas directement aux niveaux inférieurs.

Retouche d'une image : Arena Medium atteint 1462 points

Le classement Arena de retouche d'une image du 2026-10-06 donne à GPT Image 2 en medium 1462±3, à la troisième place. AA-Image-Editing v2.0 donne pour sa part au niveau high 1125±8 Elo, à la sixième place, avec un intervalle de rang entre cinquième et septième. Les évaluations utilisent tâches, niveaux et échelles différents. Leurs classements distincts rappellent de valider chaque besoin de retouche séparément. Classement Arena de retouche d'une image · Classement AA de retouche

Vérifiez ensemble deux aspects : la bonne réalisation des changements demandés et l'absence d'altération du contenu à préserver. Pour un fond produit, contrôlez son naturel mais aussi le texte de l'emballage, la forme et les couleurs. Pour préserver strictement des détails, commencez par un petit test avant de planifier le traitement par lots.

Vitesse de génération : prévoir l'attente selon la qualité et le format

Certains clients ont attendu environ deux minutes pour une image complexe générée par API en high. La documentation GPT Image 2 d'OpenAI indique aussi que les images carrées sont généralement les plus rapides ; le temps réel dépend des dimensions et des conditions de requête. Expérience API en High · Réglages officiels du modèle

Fixez d'abord dimensions et qualité, puis mesurez le délai entre l'envoi et la réception de l'image complète pour vos tâches habituelles. Pour les fonctions de retouche répétée, évaluez medium d'abord. Pour les livrables finaux complexes, comparez si high justifie l'attente. Si le délai dégrade nettement l'expérience, essayez aussi GPT Image 2.5 Flare, présenté plus loin.

Coût de génération : des niveaux très différemment tarifés au sein du même modèle

OpenAI donne les exemples de coûts de sortie par image suivants pour GPT Image 2. Ils excluent l'entrée textuelle et les images de référence, et ne sont pas les prix réels RequestBeam. Exemples officiels de coûts OpenAI

Nous regardons particulièrement le passage de medium à high en 1024×1024 : le coût de sortie de l'exemple est presque quatre fois supérieur, sans garantie d'amélioration visuelle proportionnelle. Établissez une référence en medium, puis comparez high sur des problèmes précis, comme le petit texte ou les matières complexes. Incluez retouches et tentatives supplémentaires dans le coût de chaque image finale utilisable.

GPT Image 2 face à GPT Image 1.5, Nano Banana 2, GPT Image 2.5 Flare et GPT Image 2.5 Sunburst

Face à GPT Image 1.5 : améliorer d'abord les tâches qui demandent le plus de reprises

Dans la comparaison high du même classement AA, GPT Image 2 dépasse Image 1.5 en génération texte-image, mais l'écart de coût dépend des dimensions. Dans les exemples officiels OpenAI, les sorties 1024×1024 en high coûtent respectivement USD 0,211 et USD 0,133 ; en 1536×1024 et high, USD 0,165 et USD 0,200. Comparaison texte-image AA · Table officielle des coûts à dimensions égales

Si vous régénérez souvent à cause du texte d'emballage, de la mise en page d'affiches ou de compositions complexes, essayez Image 2 en premier. Pour les tâches simples produisant déjà des images acceptables de façon fiable, conservez pour l'instant votre processus.

Face à Nano Banana 2 : comparer qualité et budgets de lots ensemble

Nano Banana 2 correspond au gemini-3.1-flash-image de Google, officiellement axé sur vitesse, efficacité et haut débit. En facturation standard, la sortie d'une image 1K coûte environ USD 0,067. Face aux exemples Image 2 ci-dessus, c'est moins que high à USD 0,211, mais plus que medium à USD 0,053 ; toute comparaison doit donc préciser la qualité. Modèle et prix officiels Google

Pour de gros volumes de visuels sociaux, candidats de miniatures et idées à expérimenter rapidement, incluez Nano Banana 2 dans la comparaison. Pour les visuels principaux d'événements, dispositions complexes et images riches en texte, essayez GPT Image 2 d'abord.

Face à GPT Image 2.5 Flare : une réévaluation utile pour la retouche répétée

Lors de la sortie d'Image 2.5 le 2026-09-08, OpenAI a annoncé une meilleure qualité pour Flare que pour GPT Image 2, avec une latence API réduite de 50 %. Cette comparaison provient du fournisseur et l'annonce ne donne pas toutes les conditions de test. Pour vos tâches, mesurez à nouveau avec vos dimensions et niveaux de qualité. Annonce OpenAI d'Image 2.5

Si vous développez un outil de remplacement de fonds, de changement de couleurs et d'essais répétés, faites exécuter les mêmes tâches par GPT Image 2.5 Flare et GPT Image 2. Examinez les délais et les modifications du sujet après chaque retouche. Pour les équipes déjà intégrées à Image 2, nous pensons qu'Image 2.5 Flare mérite rapidement une petite comparaison.

Face à GPT Image 2.5 Sunburst : la retouche fine privilégie la conservation des détails

OpenAI positionne Sunburst pour un contrôle plus fin, notamment des ressources marketing finalisées et des images produit retouchées, tout en précisant qu'il génère plus lentement que Flare. Dans le classement de retouche AA actuel, Sunburst en max obtient 1183±8 Elo, contre 1125±8 Elo pour Image 2 en high. Positionnement du modèle OpenAI · Évaluation de retouche AA

D'après les retours clients, les usages de GPT Image 2.5 Sunburst sont généralement plus complexes que ceux d'Image 2. Image 2.5 Sunburst réussit mieux sur les ressources de marque nécessitant plusieurs retouches fines. Si votre tâche implique des détails plus complexes, nous recommandons de tester une évolution vers GPT Image 2.5 Sunburst.

Questions fréquentes sur l'API GPT Image 2

Comment appeler l'API GPT Image 2 via RequestBeam ?

Nous recommandons de vous connecter d'abord à RequestBeam et de créer une API Key, puis de lire notre documentation ou de demander à l'IA de vous aider à configurer la connexion.

Effectuez d'abord un test minimal de génération avec l'outil en ligne, puis intégrez selon la documentation actuelle de l'API GPT Image 2 de RequestBeam. Vous vérifiez ainsi l'adéquation du modèle à vos besoins avant l'intégration et évitez de reprendre par erreur des chemins et paramètres d'autres fournisseurs.

Pourquoi le nombre d'images, le masque ou la taille provoquent-ils une erreur 400 ?

Vérifiez d'abord si l'ancien code transmet des paramètres d'une autre API. GPT Image 2 de RequestBeam ne prend actuellement en charge que n: 1, sans route distincte /images/edits, et n'accepte pas multipart/form-data. Transmettre mask, mask_url ou maskUrl renvoie 400. Pour retoucher, utilisez image_urls et des instructions écrites comme décrit plus haut. Limites des paramètres RequestBeam

Pour les dimensions, combinez par exemple size: "16:9" avec resolution: "2k". Des dimensions en pixels explicites priment sur le niveau de résolution. Choisissez auto, low, medium ou high, pas xhigh ou max d'Image 2.5. Commencez avec une combinaison documentée et ajustez un seul paramètre à la fois, plutôt que plusieurs changements rendant le diagnostic difficile. Tailles et qualités RequestBeam

Pourquoi b64_json est-il absent, et comment lire les images d'une requête en streaming ?

Avec stream: false, ce point d'accès attend la fin de la génération et renvoie une URL ; lisez data[0].url. Vérifiez sa présence avant de télécharger et enregistrer l'image. L'API native Images d'OpenAI renvoie une autre structure Base64 ; son code d'analyse ne peut pas être repris directement. Structure de réponse RequestBeam · Structure native OpenAI

Avec stream: true, continuez de traiter le SSE, attendez image_generation.completed, lisez son URL et poursuivez jusqu'à [DONE]. Ce point d'accès ne renvoie pas d'abord un jobId : n'interrogez donc pas /v1/jobs/{id} pour les images. Traitez « connecté » et « image générée » comme deux états distincts. Traitement des résultats RequestBeam

Pourquoi ne pas réessayer immédiatement après un dépassement de délai, et comment le diagnostiquer ?

Un délai dépassé ou l'arrêt de l'attente signifie seulement que le client n'a pas continué d'attendre ; cela ne prouve pas l'annulation serveur. Vérifiez l'historique disponible et l'usage du compte avant de soumettre à nouveau, afin d'éviter plusieurs requêtes payantes lorsque le résultat est incertain. Après réussite, téléchargez l'image dans votre stockage plutôt que de considérer l'URL comme permanente. Délais et enregistrement des images RequestBeam

Pour les erreurs explicites, partez du statut : vérifiez l'API Key pour 401, le solde pour 402, l'existence ou l'activation du modèle pour 404, et la fréquence pour 429 ; pour 5xx, examinez l'erreur précise afin d'identifier un problème de service ou de génération. Conservez heure, modèle, paramètres et détails de l'erreur. N'augmentez pas seulement le délai et n'appliquez pas la même stratégie de reprise à toutes les erreurs. Codes d'erreur RequestBeam