OpenAI Images Edits API Ansökan och Användning

OpenAI bildredigeringstjänst låter dig skicka in valfritt antal bilder och instruktioner för att få redigerade bilder som resultat. För närvarande stöder API:et samtidigt dall-e-2, gpt-image-1, den senaste gpt-image-2, samt modellerna i nano-banana / nano-banana-2 / nano-banana-pro serien som är anslutna via samma gränssnitt. Det här dokumentet beskriver huvudsakligen användningsflödet för OpenAI Images Edits API, med vilket du enkelt kan använda den officiella OpenAI bildredigeringsfunktionen.

Ansökningsprocess

För att använda OpenAI Images Edits API kan du först gå till OpenAI Images Edits API sidan och klicka på knappen “Acquire” för att få de autentiseringsuppgifter som krävs för förfrågningar:

Om du inte är inloggad eller registrerad kommer du automatiskt att omdirigeras till inloggningssidan för att registrera och logga in, och efter inloggning återvänder du automatiskt till den aktuella sidan. Vid första ansökan får du en gratis kvot som gör att du kan använda API:et kostnadsfritt.

GPT-Image-2 modellen

gpt-image-2 har en mycket tydlig förbättring jämfört med gpt-image-1 i bildredigeringsscenarier:

Mer stabil struktur: Vid byte av skinn, färgschema eller bakgrund förstörs nästan aldrig originalbildens layout och komposition.
Mer exakt textbevarande: Text i informationsgrafik, affischer, menyer etc. förblir tydlig och läsbar efter redigering.
Stöd för direkt URL-inmatning: Utöver traditionell filuppladdning med multipart/form-data stöder gpt-image-2 även inmatning av bild-URL i JSON-format, vilket eliminerar behovet av att ladda ner bilder lokalt och är mycket lämpligt för server-side pipelines.
Stöd för högupplöst omritning: Du kan skicka in en 1K originalbild och via size-parametern begära 2K / 4K-utdata, modellen förstorar samtidigt som den redigerar.

Stödda `size`-värden och prisnivåer

Redigeringsgränssnittet har samma begränsningar för size som genereringsgränssnittet — gpt-image-2 accepterar endast size som auto, tomt, eller i formatet WIDTHxHEIGHT. Andra format ger 400-fel. Prissättningen delas in i två nivåer och baseras endast på det begärda size-värdet, oberoende av originalbildens upplösning:

1K standardpris: Någon av de rekommenderade 1K-storlekarna i tabellen nedan, eller vanliga 1K-alias från upstream (1254x1254, 1672x941, 941x1672).
Andra nivåer (1,5×): Inkluderar rekommenderade 2K / 4K förinställningar i tabellen samt valfri egen WIDTHxHEIGHT.

Upstream har samma hårda begränsningar för anpassade storlekar: bredd och höjd måste vara multipler av 16, längsta sidan ≤ 3840, och totalt antal pixlar ≤ 8 294 400.

Proportion	1K (standardpris)	2K rekommenderat (×1.5)	4K rekommenderat (×1.5)
1:1	`1024x1024`	`2048x2048`	`2880x2880`
4:3	`1536x1024`	`2048x1536`	`3264x2448`
3:4	`1024x1536`	`1536x2048`	`2448x3264`
16:9	`1792x1024`	`2048x1152`	`3840x2160`
9:16	`1024x1792`	`1152x2048`	`2160x3840`

Exempel: Om originalbilden är 1024x1024 och size sätts till 2048x2048, kommer modellen att rita om bilden enligt redigeringsinstruktionen och ge ut en 2K-bild med “andra” prisnivån; om size sätts till 3840x2160 blir utdata en 4K liggande bild, också med “andra” prisnivån; om auto eller tomt skickas används 1K standardpris.

Om n-parametern gpt-image-2 redigerings-API stöder för närvarande inte n > 1: parametern ignoreras tyst, oavsett om du skickar n=1 eller n=10 returneras endast en bild per förfrågan och endast en bild debiteras. Om du behöver flera redigeringsförslag samtidigt, skicka flera parallella förfrågningar. Denna begränsning gäller även för gpt-image-1 / gpt-image-1.5 samt nano-banana / nano-banana-2 / nano-banana-pro serierna. dall-e-2 är för närvarande den enda redigeringsmodellen som stödjer n > 1 nativt.

Nedan följer två verkliga exempel som visar gpt-image-2 redigeringsförmåga från olika perspektiv.

Anropsmetod 1: JSON + bild-URL (rekommenderat)

Skicka direkt en förfrågan med application/json där image-fältet innehåller en bild-URL. Modellen hämtar bilden och redigerar enligt prompt. Till exempel, originalbilden nedan är en vetenskaplig illustration genererad med gpt-image-2:

Vi vill ändra den till ett “nattläge”-färgtema. Så här anropar du:

curl -X POST "https://api.xhuoapi.ai/v1/openai/images/edits" \
  -H "Authorization: Bearer {token}" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "image": "https://platform.cdn.xhuoapi.ai/gpt-image/5c9fa635-8794-4c6d-88f8-584d7f4716c6_0.png",
    "prompt": "Convert this infographic to dark mode: dark navy background, light cream text, deep gray rounded module cards with soft shadows. Keep all layout, structure, and module arrangement identical — only invert the color scheme.",
    "size": "1024x1536"
  }'

Eller med Python:

import requests

url = "https://api.xhuoapi.ai/v1/openai/images/edits"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-image-2",
    "image": "https://platform.cdn.xhuoapi.ai/gpt-image/5c9fa635-8794-4c6d-88f8-584d7f4716c6_0.png",
    "prompt": "Convert this infographic to dark mode: dark navy background, light cream text, deep gray rounded module cards with soft shadows. Keep all layout, structure, and module arrangement identical — only invert the color scheme.",
    "size": "1024x1536"
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Svarsexempel:

{
  "success": true,
  "task_id": "cb104e35-af1f-45be-9fac-b62e2b256753",
  "trace_id": "3e5c77c6-6c2e-4bba-a42d-98ea049b58a8",
  "created": 1777048863,
  "data": [
    {
      "revised_prompt": "Convert this infographic to dark mode: dark navy background, light cream text, deep gray rounded module cards with soft shadows. Keep all layout, structure, and module arrangement identical — only invert the color scheme.",
      "url": "https://platform.cdn.xhuoapi.ai/gpt-image/cb104e35-af1f-45be-9fac-b62e2b256753_0.png"
    }
  ],
  "elapsed": 83.859
}

Den redigerade bilden ser ut så här:

Du kan se att modulstrukturen, informationsavdelningarna och typografin har bevarats strikt, endast färgschemat har inverterats till ett mörkt tema.

Tips: image-fältet kan också vara en lista, t.ex. "image": ["url1", "url2", "url3"], upp till 16 bilder samtidigt, så att modellen kan referera till flera bilder för redigering.

Anropsmetod 2: JSON + flera referensbilder

gpt-image-2 stöder att referera till flera bilder samtidigt för att generera slutresultatet, till exempel att kombinera flera produktbilder till en presentkorg:

payload = {
    "model": "gpt-image-2",
    "image": [
        "https://example.com/item1.png",
        "https://example.com/item2.png",
        "https://example.com/item3.png"
    ],
    "prompt": "Combine all the items above into a single 'Relax & Unwind' gift basket on a clean white background, photorealistic, soft natural lighting.",
    "size": "1024x1024"
}

Scenarieexempel: Byt stil + behåll struktur

Här är ett annat exempel där en träbokhylla byts ut mot en modern flytande hylla, men där antalet och arrangemanget av böcker på varje hyllplan bevaras exakt. Originalbild (träbokhylla genererad med gpt-image-2):

Anrop:

payload = {
    "model": "gpt-image-2",
    "image": "https://platform.cdn.xhuoapi.ai/gpt-image/141970f0-65fb-4ec8-ab7d-9be173641350_0.png",
    "prompt": "Replace the wooden bookshelf with a sleek modern white floating shelf mounted on a pastel blue wall. Keep the exact same arrangement of books (1 book on top, 3 in middle, 7 on bottom). Add a small potted succulent on the top shelf next to the book. Bright airy daylight from the left.",
    "size": "1024x1024"
}

Redigeringsresultat (task_id: e9544dba-727e-44a2-81e1-223d49869380):

Du kan se att stil och miljö har bytts ut enligt prompten, men antalet böcker på varje hyllplan (1 / 3 / 7) är strikt bevarat, och en liten suckulent har lagts till enligt instruktion.

Anropsmetod 3: multipart/form-data (kompatibel med OpenAI SDK)

Om du redan använder den officiella OpenAI Python SDK fungerar den traditionella multipart/form-data-uppladdningen också, bara byt model till gpt-image-2:

import base64
from openai import OpenAI
client = OpenAI()

result = client.images.edit(
    model="gpt-image-2",
    image=[open("test.png", "rb")],
    prompt="Convert this image to dark mode while keeping the layout intact."
)

image_base64 = result.data[0].b64_json
image_bytes = base64.b64decode(image_base64)
with open("edited.png", "wb") as f:
    f.write(image_bytes)

Vid användning av SDK måste du först exportera två miljövariabler, OPENAI_BASE_URL sätts till https://api.xhuoapi.ai/v1/openai och OPENAI_API_KEY till den token du fått:

export OPENAI_BASE_URL=https://api.xhuoapi.ai/v1/openai
export OPENAI_API_KEY={token}

Nano Banana serien

nano-banana serien är också ansluten till /openai/images/edits för redigeringsscenarier, byt bara model till någon av nedanstående:

Modell	Kostnad (Credits / gång)	Användningsområde
`nano-banana`	0.14	Vanlig bildredigering, snabbast och billigast
`nano-banana-2`	0.28	Märkbart bättre kvalitet och detaljer
`nano-banana-pro`	0.35	Flaggskeppet i serien, bäst bevarande av struktur, text och stil

Viktigt: stödda parametrar Nano Banana är ansluten via en adapter till OpenAI-protokollet och stöder endast följande parametrar: model, prompt, image.

image kan skickas som fil via multipart/form-data (omvandlas internt till data:<mime>;base64,... för upstream) eller som en URL-sträng i formulärfältet.

Parametrar som mask, n, size, response_format stöds inte och ignoreras.

Svar följer OpenAI-formatet (data[].url), men created är alltid 0, och b64_json returneras inte; revised_prompt är alltid samma som original prompt.

Anrop via formulär + bild-URL

curl -X POST "https://api.xhuoapi.ai/v1/openai/images/edits" \
  -H "Authorization: Bearer {token}" \
  -F "model=nano-banana" \
  -F "prompt=add a green leaf on top of the apple" \
  -F "image=https://platform.cdn.xhuoapi.ai/nanobanana/6870b330-65c4-436c-bb80-819fdae7a7a4.png"

Svarsexempel:

{
  "created": 0,
  "data": [
    {
      "url": "https://platform.cdn.xhuoapi.ai/nanobanana/311e95b6-5eb1-4c4a-8ee6-0cb03ee44f61.jpeg",
      "revised_prompt": "add a green leaf on top of the apple"
    }
  ]
}

Redigerad bild:

Anrop via formulär + lokal fil

import requests

url = "https://api.xhuoapi.ai/v1/openai/images/edits"

headers = {
    "authorization": "Bearer {token}"
}

files = {
    "image": open("apple.png", "rb"),
}
data = {
    "model": "nano-banana-pro",
    "prompt": "add a green leaf on top of the apple"
}

response = requests.post(url, headers=headers, files=files, data=data)
print(response.text)

Asynkron callback

callback_url-asynkron callback-mekanism fungerar även för nano-banana, anropsflödet är identiskt med andra modeller, se avsnittet Asynkron callback nedan.

Grundläggande användning

Härnäst kan du använda kod för att anropa API:et, nedan är ett exempel med CURL:

curl -s -D >(grep -i x-request-id >&2) \
  -o >(jq -r '.data[0].b64_json' | base64 --decode > gift-basket.png) \
  -X POST "https://api.xhuoapi.ai/v1/v1/images/edits" \
  -H "Authorization: Bearer {token}" \
  -F "model=gpt-image-1" \
  -F "image[][email protected]" \
  -F 'prompt=Create a lovely gift basket with these this items in it'

Vid första användningen av detta gränssnitt behöver vi fylla i fyra saker: en authorization som väljs direkt i dropdown-menyn; en model som är den modellkategori vi vill använda från OpenAI:s officiella modeller (här finns huvudsakligen en modell, se vår modellöversikt); en prompt som är textinstruktionen för bildgenerering; och slutligen image som är sökvägen till den bild som ska redigeras, exempelbilden visas nedan:

Samma anrop i Python:

import base64
from openai import OpenAI
client = OpenAI()

prompt = """
Generate a photorealistic image of a gift basket on a white background 
labeled 'Relax & Unwind' with a ribbon and handwriting-like font, 
containing all the items in the reference pictures.
"""

result = client.images.edit(
    model="gpt-image-1",
    image=[
        open("test.png", "rb")
    ],
    prompt=prompt
)

image_base64 = result.data[0].b64_json
image_bytes = base64.b64decode(image_base64)

# Spara bilden till fil
with open("gift-basket.png", "wb") as f:
    f.write(image_bytes)

Vid Python-anrop behöver vi först exportera två miljövariabler: OPENAI_BASE_URL som kan sättas till https://api.xhuoapi.ai/v1/openai och OPENAI_API_KEY som är den token vi fått från authorization. På Mac OS kan du sätta miljövariablerna så här:

export OPENAI_BASE_URL=https://api.xhuoapi.ai/v1/openai
export OPENAI_API_KEY={token} 

Efter anropet genereras en bildfil gift-basket.png i aktuell katalog, resultatet ser ut så här:

Så här har vi slutfört bildredigeringsoperationen. För närvarande stöder Edits API tre modeller: dall-e-2, gpt-image-1 och gpt-image-2, där gpt-image-2 är den rekommenderade modellen, se avsnittet GPT-Image-2 modellen ovan.

Asynkron callback

Eftersom OpenAI Images Edits API kan ta relativt lång tid att redigera bilder, och om API:et inte svarar under lång tid hålls HTTP-anslutningen öppen vilket kan orsaka extra systemresursförbrukning, erbjuder detta API även stöd för asynkron callback. Flödet är: klienten skickar med ett extra fält callback_url vid förfrågan. API:et svarar omedelbart med ett svar som innehåller ett task_id som identifierar uppgiften. När redigeringen är klar skickas resultatet som en POST med JSON till klientens angivna callback_url, där även task_id finns med så att resultatet kan kopplas till uppgiften. Nedan följer ett exempel på hur detta fungerar. Först är webhook-callback en tjänst som kan ta emot HTTP-förfrågningar. Utvecklare bör ersätta med sin egen HTTP-server-URL. För demonstration används en offentlig webhook-tjänst https://webhook.site/, där du kan få en webhook-URL, som visas nedan:

Kopiera denna URL och använd som webhook, i exemplet är det https://webhook.site/3d32690d-6780-4187-a65c-870061e8c8ab. Sedan kan vi ange fältet callback_url till ovanstående webhook-URL och fylla i övriga parametrar, som i följande kod:

curl -X POST "https://api.xhuoapi.ai/v1/v1/images/edits" \
  -H "Authorization: Bearer {token}" \
  -F "model=gpt-image-1" \
  -F "image[][email protected]" \
  -F "prompt=Create a lovely gift basket with these items in it" \
  -F "callback_url=https://webhook.site/3d32690d-6780-4187-a65c-870061e8c8ab"

Efter anropet får du omedelbart ett svar som detta:

{
  "task_id": "6a97bf49-df50-4129-9e46-119aa9fca73c"
}

Efter en stund kan du se resultatet på webhook-URL:en, innehållet ser ut så här:

{
  "success": true,
  "task_id": "6a97bf49-df50-4129-9e46-119aa9fca73c",
  "trace_id": "9b4b1ff3-90f2-470f-b082-1061ec2948cc",
  "data": {
    "created": 1721626477,
    "data": [
      {
        "b64_json": "iVBORw0KGgo..."
      }
    ]
  }
}

Du kan se att svaret innehåller ett task_id och data med samma bildredigeringsresultat som vid synkront anrop, så att du kan koppla ihop uppgiften via task_id.

Felhantering

Vid anrop av API:et, om ett fel uppstår, returnerar API:et motsvarande felkod och meddelande, till exempel:

400 token_mismatched: Felaktig förfrågan, troligen saknade eller ogiltiga parametrar.
400 api_not_implemented: Felaktig förfrågan, troligen saknade eller ogiltiga parametrar.
401 invalid_token: Obefogad, ogiltig eller saknad auktoriseringstoken.
429 too_many_requests: För många förfrågningar, du har överskridit hastighetsbegränsningen.
500 api_error: Intern serverfel, något gick fel på servern.

Felrespons exempel

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Slutsats

Med detta dokument har du fått en förståelse för hur du använder OpenAI Images Edits API för att enkelt använda den officiella OpenAI bildredigeringsfunktionen. Vi hoppas att dokumentet hjälper dig att bättre integrera och använda API:et. Vid frågor, vänligen kontakta vårt tekniska supportteam när som helst.

Documentation Index

​Ansökningsprocess

​GPT-Image-2 modellen

​Stödda size-värden och prisnivåer

​Anropsmetod 1: JSON + bild-URL (rekommenderat)

​Anropsmetod 2: JSON + flera referensbilder

​Scenarieexempel: Byt stil + behåll struktur

​Anropsmetod 3: multipart/form-data (kompatibel med OpenAI SDK)

​Nano Banana serien

​Anrop via formulär + bild-URL

​Anrop via formulär + lokal fil

​Asynkron callback

​Grundläggande användning

​Asynkron callback

​Felhantering

​Felrespons exempel

​Slutsats

Ansökningsprocess

GPT-Image-2 modellen

Stödda `size`-värden och prisnivåer

Anropsmetod 1: JSON + bild-URL (rekommenderat)

Anropsmetod 2: JSON + flera referensbilder

Scenarieexempel: Byt stil + behåll struktur

Anropsmetod 3: multipart/form-data (kompatibel med OpenAI SDK)

Nano Banana serien

Anrop via formulär + bild-URL

Anrop via formulär + lokal fil

Asynkron callback

Grundläggande användning

Asynkron callback

Felhantering

Felrespons exempel

Slutsats