OpenAI Images Generations API demande et utilisation

L’API OpenAI Images Generations prend actuellement en charge plusieurs modèles de génération d’images, y compris le classique dall-e-3, le gpt-image-1 avec une capacité de rendu de texte plus forte, la dernière génération de gpt-image-2, ainsi que la série de modèles nano-banana / nano-banana-2-lite / nano-banana-2 / nano-banana-pro accessibles via la même interface. Tous peuvent générer des images de haute qualité à partir de descriptions textuelles. Ce document présente principalement le processus d’utilisation de l’API OpenAI Images Generations, qui nous permet d’utiliser facilement les fonctionnalités de génération d’images de la série OpenAI.

Processus de demande

Pour utiliser l’API OpenAI Images Generations, commencez par obtenir votre API Token sur le tableau de bord Ace Data Cloud pour le garder en réserve.

Si vous n’êtes pas encore connecté ou inscrit, vous serez automatiquement redirigé vers la page de connexion vous invitant à vous inscrire et à vous connecter, après quoi vous serez automatiquement renvoyé à la page actuelle. Un seul API Token suffit pour accéder à tous les services de la plateforme, sans avoir à en demander un pour chaque service. La première demande vous donnera un quota gratuit pour une expérience sans frais ; lorsque le quota est insuffisant, vous pouvez recharger le solde général dans le tableau de bord.

📘 Documentation complète : OpenAI Images Generations API →

Modèle GPT-Image-2

gpt-image-2 est le nouveau modèle de génération d’images lancé par OpenAI, qui présente des améliorations significatives par rapport à dall-e-3 et gpt-image-1 dans les domaines suivants :

Capacité de suivi des instructions améliorée : capable de comprendre avec précision des instructions structurées complexes concernant la composition, le comptage, les relations de position, etc.
Rendu de texte plus clair : dans des scénarios tels que des affiches, des menus, des infographies, des logos, l’anglais et les chiffres ne présentent presque jamais de désordre.
Expression de style plus riche : prend en charge nativement divers styles tels que les portraits cinématographiques, les affiches rétro, les illustrations pour enfants, la photographie de produits, les infographies, etc.
Support natif pour plusieurs rapports + haute résolution : couvre 5 rapports (1:1, 4:3, 3:4, 16:9, 9:16) avec 3 niveaux de résolution (1K / 2K / 4K).

La méthode d’appel est identique à celle des autres modèles, il suffit de définir le champ model sur gpt-image-2. L’URL dans le résultat retourné est un lien vers une image hébergée de manière permanente sur platform.cdn.acedata.cloud, que vous pouvez ouvrir directement dans un navigateur ou intégrer dans une page web.

Variantes de ligne (`:official` / `:reverse`)

gpt-image-2 utilise par défaut la ligne standard. Vous pouvez explicitement choisir la ligne en ajoutant un suffixe au nom du modèle :

gpt-image-2:official : canal officiel, stable et conforme. Les frais sont déterminés par le Token d’entrée de texte et le Token de sortie d’image, et sont finalement réglés en fonction de l’utilisation réelle dans la réponse ; le prix affiché pour la qualité/dimension sur la page est uniquement une estimation ; selon le forfait d’utilisation maximum, le prix client est d’environ 80 % du prix standard officiel d’OpenAI. Le service effectuera automatiquement une tolérance d’erreur entre les canaux disponibles, les capacités et les coûts étant basés sur les résultats retournés.
gpt-image-2:reverse : équivalent complet à gpt-image-2 par défaut, avec un meilleur rapport qualité-prix, sans changement de prix.

Formule de facturation :official Coût final = Token d’entrée de texte + Token d’entrée d’image (uniquement pour l’édition) + Token de sortie d’image. Le prix affiché quality × size est une estimation avant la demande, le coût réel étant basé sur l’utilisation réussie de usage. Par exemple, low, 1024x1024 coûte généralement environ 0,0505 crédits pour la sortie d’image, plus un petit nombre de Tokens d’entrée ; lors de l’utilisation de auto, le modèle peut choisir une qualité supérieure, le montant préautorisé sera vérifié de manière conservatrice selon un niveau plus élevé.

Valeurs `size` prises en charge

gpt-image-2 vérifie uniquement le format de size, tant qu’il n’est pas auto ou une chaîne vide, il doit correspondre à WIDTHxHEIGHT (par exemple 1024x1024, 2048x1152, 800x600) ; toute autre forme renverra 400. Le gpt-image-2 par défaut et :reverse facturent uniformément par image ; les dimensions et la qualité de :official affecteront le Token de sortie d’image, le règlement final étant basé sur l’utilisation réelle des Tokens. Limites de taille : les dimensions personnalisées doivent être des multiples de 16 pour la largeur et la hauteur, avec une longueur maximale de 3840 et un nombre total de pixels ≤ 8 294 400, tout dépassement sera renvoyé avec un code 4xx.

Rapport	1K recommandé	2K recommandé	4K recommandé
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`

Lorsque vous transmettez explicitement size: "auto", la plateforme planifiera le canevas dans l’espace de rapport continu et déterminera selon les priorités suivantes : pixels ou rapports explicites dans les mots-clés, normes de nommage (papier / impression / emplacement de plateforme / publicité / appareil / photographie / cinéma), pratiques de support, et enfin inférence de composition. Ainsi, en plus des rapports courants 1:1, 4:5, 9:16, 21:9, il est également possible de conserver des rapports non prédéfinis tels que 1.91:1, 1.85:1, 2.39:1, et le papier ISO 1:√2 ; la taille finale sera automatiquement ajustée pour être un multiple de 16 et respecter le budget de pixels. Si le jugement automatique n’est pas disponible, il reviendra au format par défaut du modèle, sans bloquer la génération. Si le champ size est omis, le format par défaut du modèle sera utilisé ; pour des exigences strictes en matière de pixels, il est toujours conseillé de transmettre directement WIDTHxHEIGHT. La sortie en dessous de 1K ne garantit pas un alignement strict des pixels - vous pouvez transmettre 1024x1024 et obtenir 1254x1254, le rapport restant cohérent. Si vous le transmettez à nouveau en tant que size, la facturation ne changera pas. Un appel unique en 4K nécessite généralement 4 à 8 minutes, il est conseillé de l’utiliser avec le callback_url pour un rappel asynchrone. À propos du paramètre n gpt-image-2 prend en charge n > 1 (valeurs de 1 à 10) : il est possible de retourner le nombre correspondant d’images en une seule demande. Par défaut, gpt-image-2 et :reverse facturent en fonction du nombre d’images réussies ; la réponse usage de :official a déjà été résumée pour l’ensemble de la demande de Token, et ne sera pas multipliée par n à nouveau. Pour que plusieurs résultats aient des différences, il est conseillé de transmettre simultanément différents prompt ou seed. Cela s’applique également à gpt-image-1 / gpt-image-1.5, ainsi qu’aux séries nano-banana / nano-banana-2-lite / nano-banana-2 / nano-banana-pro ; dall-e-3 ne prend en charge que n = 1. Notez que response_format=b64_json ne prend en charge que n=1, pour n>1, veuillez utiliser le retour d’URL par défaut. Si certaines images échouent à être générées, seules les parties réussies seront retournées et facturées.

Voici quelques exemples réels sous différents angles pour ressentir intuitivement la capacité de gpt-image-2.

Scène 1 : Portrait cinématographique

Des termes cinématographiques (film 35 mm, faible profondeur de champ, lumière néon, etc.) peuvent être utilisés dans le prompt pour contrôler précisément l’ambiance et la texture. Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "gpt-image-2",
    "prompt": "A cinematic portrait of a young woman standing in a convenience store at night, illuminated by soft pink and cyan neon signs through the window. Shot on 35mm film, shallow depth of field, slight grain, melancholic mood.",
    "size": "1024x1536"
}

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

Le résultat retourné est le suivant :

{
  "success": true,
  "task_id": "ab58a5df-6f46-4874-bff6-93169e2849a3",
  "created": 1777048800,
  "data": [
    {
      "revised_prompt": "A cinematic portrait of a young woman standing in a convenience store at night, illuminated by soft pink and cyan neon signs through the window. Shot on 35mm film, shallow depth of field, slight grain, melancholic mood.",
      "url": "https://platform.cdn.acedata.cloud/gpt-image/ab58a5df-6f46-4874-bff6-93169e2849a3_0.png"
    }
  ]
}

L’image générée est montrée ci-dessous :

Scène 2 : Affiche de voyage rétro (avec rendu de texte)

gpt-image-2 montre une performance stable en matière de mise en page et de rendu de police, ce qui le rend très adapté pour générer des affiches, des menus, des cartes de vœux et d’autres conceptions contenant du texte.

payload = {
    "model": "gpt-image-2",
    "prompt": "A vintage travel poster of the Amalfi Coast, Italy. Stylized art-deco illustration of cliffside lemon-yellow houses cascading down to a turquoise sea, with a small white sailboat in the harbor. Bold typography at the top reads AMALFI and at the bottom ITALIA 1958. Limited color palette: cream, sea-blue, lemon yellow, terracotta. Slight paper-grain texture.",
    "size": "1024x1536"
}

L’image correspondant au champ url dans le résultat retourné est la suivante :

On peut voir que le modèle a non seulement restitué avec précision le style visuel de l’affiche Art Deco, mais que le texte du titre AMALFI et ITALIA 1958 a également été rendu de manière claire et correcte.

Scène 3 : Composition complexe et comptage

Le prompt suivant est utilisé pour tester la capacité du modèle à suivre des instructions structurées concernant “quantité” et “position”.

payload = {
    "model": "gpt-image-2",
    "prompt": "A wooden bookshelf consisting of three shelves: On the top shelf, there should be one book. On the second shelf, there should be three books. On the bottom shelf, there should be seven books. Soft warm lighting, photorealistic, cozy library atmosphere.",
    "size": "1024x1024"
}

L’image générée est la suivante :

On peut voir que le nombre de livres sur les trois étagères (1 / 3 / 7) correspond exactement au prompt, ce qui est difficile à réaliser de manière stable à l’époque de dall-e-3.

Scène 4 : Style d’illustration (paysage)

En spécifiant le médium artistique et des mots-clés émotionnels, on peut guider le modèle à produire des illustrations stylisées.

payload = {
    "model": "gpt-image-2",
    "prompt": "A soft, poetic children's book illustration of a small fox reading a book under a glowing mushroom in a moonlit forest. Watercolor and pencil texture, gentle pastel colors, dreamy atmosphere, hand-drawn feel.",
    "size": "1536x1024"
}

L’illustration en paysage générée est la suivante :

Asynchrone et rappel

L’appel unique à gpt-image-2 nécessite généralement 60 à 90 secondes. Si vous ne souhaitez pas maintenir une connexion longue, vous pouvez utiliser le mécanisme de rappel asynchrone callback_url décrit plus loin dans cet article, le processus d’appel étant identique à celui des autres modèles.

Modèles de la série Nano Banana

La série nano-banana est un modèle de génération d’images basé sur Gemini, qui a été intégré via la même interface /openai/images/generations, sans avoir besoin de changer d’endpoint, il suffit de modifier model pour l’un des modèles du tableau ci-dessous.

Modèle	Facturation (Crédits / appel)	Scénarios d’application
`nano-banana`	0.14	Génération d’images ordinaires, la plus rapide et la moins coûteuse
`nano-banana-2-lite`	0.14	Modèle d’image léger Gemini 3.1, prend uniquement en charge 1K, faible latence
`nano-banana-2`	0.28	Qualité et détails nettement améliorés
`nano-banana-pro`	0.35	Le modèle phare de la série, meilleur en composition, détails et texte

Important : Plage de support des paramètres Nano Banana se connecte au protocole OpenAI via une couche d’adaptation, et ne prend en charge que les paramètres suivants par rapport à gpt-image-* : model, prompt, size, n.

size sera mappé à aspect_ratio interne selon le tableau ci-dessous, les tailles non listées seront dégradées à 1:1 :

1024x1024 / 512x512 / 256x256 → 1:1

1792x1024 → 16:9

1024x1792 → 9:16

Les paramètres quality, style, response_format, background, output_format, etc. ne sont pas pris en charge ; s’ils sont remplis, ils seront ignorés. n > 1 est pris en charge (1–10), et renverra le nombre correspondant d’images facturées par image.

La structure de retour suit le format OpenAI (data[].url), mais created est fixé à 0, et b64_json ne sera pas renvoyé, revised_prompt est toujours égal au prompt original.

Appel de base

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "nano-banana",
    "prompt": "une petite pomme rouge sur une table blanche, photoréaliste",
    "size": "1024x1024"
}

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

Le résultat retourné est le suivant :

{
  "created": 0,
  "data": [
    {
      "url": "https://platform.cdn.acedata.cloud/nanobanana/6870b330-65c4-436c-bb80-819fdae7a7a4.png",
      "revised_prompt": "une petite pomme rouge sur une table blanche, photoréaliste"
    }
  ]
}

L’image générée peut être directement accessible via le champ url retourné :

Mise à niveau vers le modèle phare `nano-banana-pro`

Il suffit de changer model en nano-banana-pro, les autres paramètres restent identiques :

payload = {
    "model": "nano-banana-pro",
    "prompt": "peinture abstraite",
    "size": "1024x1024"
}

Exemple de retour :

{
  "created": 0,
  "data": [
    {
      "url": "https://platform.cdn.acedata.cloud/nanobanana/6227fcc9-3442-4aa3-a76c-4a4441a99649.png",
      "revised_prompt": "peinture abstraite"
    }
  ]
}

Callback asynchrone

Le mécanisme de callback asynchrone callback_url est également valable pour nano-banana, le processus d’appel est identique à celui des autres modèles, voir la section Callback asynchrone ci-dessous.

Utilisation de base

Vous pouvez maintenant remplir le contenu correspondant sur l’interface, comme illustré ci-dessous :

Lors de la première utilisation de cette interface, nous devons remplir au moins trois contenus, l’un est authorization, que vous pouvez sélectionner directement dans la liste déroulante. L’autre paramètre est model, model est la catégorie de modèle que nous choisissons d’utiliser sur le site officiel d’OpenAI DALL-E, ici nous avons principalement 1 type de modèle, les détails peuvent être consultés dans les modèles que nous fournissons. Le dernier paramètre est prompt, prompt est le mot d’invite que nous entrons pour générer l’image. Vous pouvez également remarquer qu’il y a un code d’appel correspondant généré à droite, vous pouvez copier le code et l’exécuter directement, ou cliquer directement sur le bouton « Essayer » pour tester.

Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "dall-e-3",
    "prompt": "Un mignon bébé loutre de mer"
}

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

Après l’appel, nous constatons que le résultat retourné est le suivant :

{
  "created": 1721626477,
  "data": [
    {
      "revised_prompt": "Une image délicieuse montrant une jeune loutre de mer, qui est née brune, avec de grands yeux charmants. Elle est délicieusement allongée sur le dos, pagayant dans les eaux calmes de la mer. Son pelage dense et velouté semble humide et scintillant, capturant l'essence de son habitat. La petite créature joue curieusement avec un coquillage avec ses petites pattes, ayant l'air absolument innocente et charmante dans son environnement naturel.",
      "url": "https://dalleprodsec.blob.core.windows.net/private/images/5d98aa7c-80c6-4523-b571-fc606ad455b9/generated_00.png?se=2024-07-23T05%3A34%3A48Z&sig=GAz%2Bi3%2BkHOQwAMhxcv22tBM%2FaexrxPgT9V0DbNrL4ik%3D&ske=2024-07-23T08%3A41%3A10Z&skoid=e52d5ed7-0657-4f62-bc12-7e5dbb260a96&sks=b&skt=2024-07-16T08%3A41%3A10Z&sktid=33e01921-4d64-4f8c-a055-5bdaffd5e33d&skv=2020-10-02&sp=r&spr=https&sr=b&sv=2020-10-02"
    }
  ]
}

Le résultat retourné contient plusieurs champs, décrits comme suit :

created, l’ID généré pour cette image, utilisé pour identifier de manière unique cette tâche.
data, contenant les informations sur le résultat de la génération d’image.

Parmi data, il y a des informations spécifiques sur l’image générée par le modèle, où url est le lien détaillé de l’image générée, comme illustré ci-dessous.

Paramètre de qualité d’image `quality`

Nous allons maintenant expliquer comment définir certains paramètres détaillés des résultats de génération d’image, où le paramètre de qualité d’image quality comprend deux types, le premier standard indique que l’image générée est standard, l’autre hd indique que l’image créée a des détails plus fins et une plus grande cohérence. Voici comment définir le paramètre de qualité d’image sur standard, les réglages spécifiques sont illustrés ci-dessous :

Vous pouvez également remarquer qu’il y a un code d’appel correspondant généré à droite, vous pouvez copier le code et l’exécuter directement, ou cliquer directement sur le bouton « Essayer » pour tester.

Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "dall-e-3",
    "prompt": "Un mignon bébé loutre de mer",
    "quality": "standard"
}

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

Après l’appel, nous avons constaté que le résultat retourné est le suivant :

{
  "created": 1721636023,
  "data": [
    {
      "revised_prompt": "Un mignon bébé loutre de mer est allongé en jouant sur le dos dans l'eau, avec son pelage brillant et doux. Une de ses petites pattes s'étend curieusement, et il a une expression de pure joie et de chaleur sur son visage en regardant le ciel. Son corps est entouré de bulles provenant de ses tourbillons ludiques dans l'eau. Une douce brise joue avec son pelage, le rendant encore plus charmant. La scène dépeint la tranquillité et le charme de la vie marine.",
      "url": "https://dalleprodsec.blob.core.windows.net/private/images/a93ee5e7-3abd-4923-8d79-dc9ef126da46/generated_00.png?se=2024-07-23T08%3A13%3A55Z&sig=wTXGYvUOwUIkaB2CxjK9ww%2FHjS8OwYUWcYInXYKwcAM%3D&ske=2024-07-23T11%3A32%3A05Z&skoid=e52d5ed7-0657-4f62-bc12-7e5dbb260a96&sks=b&skt=2024-07-16T11%3A32%3A05Z&sktid=33e01921-4d64-4f8c-a055-5bdaffd5e33d&skv=2020-10-02&sp=r&spr=https&sr=b&sv=2020-10-02"
    }
  ]
}

Le résultat retourné est cohérent avec le contenu de base utilisé, on peut voir que l’image générée avec le paramètre de qualité standard est illustrée ci-dessous :

Avec la même opération ci-dessus, il suffit de définir le paramètre de qualité de l’image sur hd, et on peut obtenir l’image illustrée ci-dessous :

On peut voir que hd génère des images avec des détails plus fins et une plus grande cohérence par rapport à standard.

Paramètre de taille d’image `size`

Nous pouvons également définir la taille de l’image générée, nous pouvons effectuer les réglages suivants. Voici le réglage de la taille de l’image à 1024 * 1024, les réglages spécifiques sont illustrés ci-dessous :

Vous pouvez également remarquer qu’il y a un code d’appel correspondant à droite, vous pouvez copier le code et l’exécuter directement, ou cliquer directement sur le bouton « Essayer » pour tester.

Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "dall-e-3",
    "prompt": "Un mignon bébé loutre de mer",
    "size": "1024x1024"
}

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

Après l’appel, nous avons constaté que le résultat retourné est le suivant :

{
  "created": 1721636652,
  "data": [
    {
      "revised_prompt": "Une représentation délicieuse d'un bébé loutre de mer. Le petit mammifère est capturé dans son habitat naturel dans l'océan, flottant sur le dos. Il a un pelage brun épais qui est lisse et humide à cause de l'eau de mer. Ses yeux sont fermés comme s'il profitait d'un moment de profonde relaxation. L'eau autour de lui est calme, reflétant la sérénité de la scène. L'arrière-plan devrait suggérer un écosystème marin diversifié, avec des brins de varech visibles flottant à la surface, suggérant l'environnement préféré du bébé loutre.",
      "url": "https://dalleprodsec.blob.core.windows.net/private/images/9d625ac6-fd2b-42a9-84a6-8c99eb357ccf/generated_00.png?se=2024-07-23T08%3A24%3A24Z&sig=AXtYXowEakGxfRp8LhC2DwqL%2F07LhEDW40oCP%2BdTO8s%3D&ske=2024-07-23T18%3A00%3A45Z&skoid=e52d5ed7-0657-4f62-bc12-7e5dbb260a96&sks=b&skt=2024-07-16T18%3A00%3A45Z&sktid=33e01921-4d64-4f8c-a055-5bdaffd5e33d&skv=2020-10-02&sp=r&spr=https&sr=b&sv=2020-10-02"
    }
  ]
}

Le résultat retourné est cohérent avec le contenu de base utilisé, on peut voir que l’image générée avec la taille de 1024 * 1024 est illustrée ci-dessous :

Avec la même opération ci-dessus, il suffit de définir la taille de l’image à 1792 * 1024, et on peut obtenir l’image illustrée ci-dessous :

On peut voir que la taille de l’image est clairement différente, et il est également possible de définir d’autres tailles, pour plus d’informations, veuillez consulter notre documentation officielle.

Paramètre de style d’image `style`

Le paramètre de style d’image style contient deux paramètres, le premier vivid indique que l’image générée est plus vivante, l’autre natural indique que l’image générée est plus naturelle. Voici le réglage du paramètre de style d’image sur vivid, les réglages spécifiques sont illustrés ci-dessous :

Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "dall-e-3",
    "prompt": "Un mignon bébé loutre de mer",
    "style": "vivid"
}

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

Après l’appel, nous avons constaté que le résultat retourné est le suivant :

{
  "created": 1721637086,
  "data": [
    {
      "revised_prompt": "Un bébé loutre de mer avec un pelage doux et brillant et des yeux étincelants flottant joyeusement sur des eaux océaniques calmes. Cette adorable créature gambade joyeusement au milieu de petites vagues douces sous un ciel ensoleillé, clair et lumineux. La tranquillité de la mer contraste subtilement avec l'énergie délicieuse de cette jeune loutre. Le petit animal s'accroche courageusement à un petit morceau de bois flotté, ses petites pattes enveloppant adorablement l'objet flottant.",
      "url": "https://dalleprodsec.blob.core.windows.net/private/images/6e48f701-7fd3-4356-839e-a2f6f0fe82d9/generated_00.png?se=2024-07-23T08%3A31%3A37Z&sig=4percxqTbUR1j3BQmkhvj%2FAhHzInKI%2FqiTo1MP69coI%3D&ske=2024-07-27T10%3A39%3A55Z&skoid=e52d5ed7-0657-4f62-bc12-7e5dbb260a96&sks=b&skt=2024-07-20T10%3A39%3A55Z&sktid=33e01921-4d64-4f8c-a055-5bdaffd5e33d&skv=2020-10-02&sp=r&spr=https&sr=b&sv=2020-10-02"
    }
  ]
}

Le résultat retourné est cohérent avec le contenu d’utilisation de base, et on peut voir que l’image générée avec le paramètre de style d’image vivid est illustrée ci-dessous :

En effectuant la même opération qu’auparavant, il suffit de définir le paramètre de style d’image sur natural, ce qui donne l’image illustrée ci-dessous :

On peut voir que vivid produit des images plus vivantes et réalistes que natural.

Paramètre de format de lien d’image `response_format`

Le dernier paramètre de format de lien d’image response_format a également deux options, la première b64_json est un encodage Base64 du lien d’image, l’autre url est simplement un lien d’image normal, que l’on peut consulter directement. Voici comment définir le paramètre de format de lien d’image sur url, les réglages spécifiques sont illustrés ci-dessous :

Vous pouvez également remarquer qu’il y a un code d’appel correspondant à droite, que vous pouvez copier et exécuter directement, ou cliquer sur le bouton « Essayer » pour tester.

Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "dall-e-3",
    "prompt": "A cute baby sea otter",
    "response_format": "url"
}

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

Après l’appel, nous avons constaté que le résultat retourné est le suivant :

{
  "created": 1721637575,
  "data": [
    {
      "revised_prompt": "Une charmante représentation d'un bébé loutre de mer. La loutre est vue reposant sereinement sur son dos au milieu des douces vagues bleues de l'océan. Le pelage du bébé loutre est un mélange attendrissant de nuances de brun grisâtre doux, scintillant subtilement sous la lumière tamisée du soleil. Ses petites pattes touchent, légèrement levées vers le ciel comme si elle jouait avec un objet invisible. Ses yeux ronds et expressifs sont grands de curiosité, pétillants de vie et d'innocence. Utilisez un style réaliste pour évoquer l'habitat naturel de la loutre et son extérieur adorablement duveteux.",
      "url": "https://dalleprodsec.blob.core.windows.net/private/images/87792c5f-8b6d-412e-81dd-f1a1baa19bd2/generated_00.png?se=2024-07-23T08%3A39%3A47Z&sig=zzRAn30TqIKHdLVqZPUUuSJdjCYpoJdaGU6BeoA76Jo%3D&ske=2024-07-23T13%3A32%3A13Z&skoid=e52d5ed7-0657-4f62-bc12-7e5dbb260a96&sks=b&skt=2024-07-16T13%3A32%3A13Z&sktid=33e01921-4d64-4f8c-a055-5bdaffd5e33d&skv=2020-10-02&sp=r&spr=https&sr=b&sv=2020-10-02"
    }
  ]
}

Le résultat retourné est cohérent avec le contenu d’utilisation de base, et on peut voir que le lien de l’image générée avec le paramètre de format url est lien d’image qui est accessible directement, le contenu de l’image est illustré ci-dessous :

En effectuant la même opération qu’auparavant, il suffit de définir le paramètre de format de lien d’image sur b64_json, ce qui donne le lien d’image après encodage Base64, le résultat spécifique est illustré ci-dessous :

{
  "created": 1721638071,
  "data": [
    {
      "b64_json": "iVBORw0..............v//AQEAAP4AAAD+AAADAQAAAwEEA/4D//8Q/Pbw64mKbVTFoQAAAABJRU5ErkJggg==",
      "revised_prompt": "Une image charmante d'un jeune bébé loutre de mer. La loutre flotte doucement sur une mer bleue calme, se prélassant sous les chauds rayons dorés du soleil qui descendent d'un ciel clair au-dessus. Le pelage de la loutre est d'un riche brun chocolat, et il semble incroyablement doux et duveteux. Les yeux de la loutre sont brillants et expressifs, remplis de curiosité enfantine et de joie. Elle a de petites oreilles dressées et un nez en forme de bouton qui ajoute à son charme global. Dans la mer autour d'elle, des gouttelettes d'eau scintillantes peuvent être vues, rehaussées par la lumière du soleil, la vue est certainement délicieuse."
    }
  ]
}

Rappel asynchrone

Étant donné que le temps de génération d’images de l’API OpenAI Images Generations peut être relativement long, si l’API ne répond pas pendant une longue période, la requête HTTP maintiendra la connexion, entraînant une consommation supplémentaire de ressources système, donc cette API propose également un support de rappel asynchrone. Le processus global est le suivant : lorsque le client initie une requête, il spécifie un champ callback_url supplémentaire, après que le client ait lancé la requête API, l’API renverra immédiatement un résultat, contenant un champ d’information task_id, représentant l’ID de la tâche actuelle. Lorsque la tâche est terminée, le résultat de l’image générée sera envoyé au callback_url spécifié par le client sous forme de POST JSON, qui inclura également le champ task_id, permettant ainsi de relier le résultat de la tâche par ID. Voici comment procéder à travers un exemple. Tout d’abord, le rappel Webhook est un service capable de recevoir des requêtes HTTP, les développeurs doivent le remplacer par l’URL de leur propre serveur HTTP. Pour faciliter la démonstration, nous utilisons un site Web de démonstration Webhook public https://webhook.site/, en ouvrant ce site, vous obtiendrez une URL Webhook, comme indiqué dans l’image ci-dessous :

Copiez cette URL, elle peut être utilisée comme Webhook, l’exemple ici est https://webhook.site/3d32690d-6780-4187-a65c-870061e8c8ab. Ensuite, nous pouvons définir le champ callback_url sur l’URL Webhook ci-dessus, tout en remplissant les paramètres correspondants, comme le montre le code suivant :

import requests

url = "https://api.acedata.cloud/openai/images/generations"

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

payload = {
    "model": "dall-e-3",
    "prompt": "Un mignon bébé loutre de mer",
    "callback_url": "https://webhook.site/3d32690d-6780-4187-a65c-870061e8c8ab"
}

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

En cliquant sur exécuter, vous pouvez constater que vous obtiendrez immédiatement un résultat, comme suit :

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

Après un moment, nous pouvons observer le résultat de l’image générée sur l’URL Webhook, le contenu est le suivant :

{
  "success": true,
  "task_id": "6a97bf49-df50-4129-9e46-119aa9fca73c",
  "trace_id": "9b4b1ff3-90f2-470f-b082-1061ec2948cc",
  "data": {
    "created": 1721626477,
    "data": [
      {
        "revised_prompt": "Une image délicieuse montrant une jeune loutre de mer...",
        "url": "https://dalleprodsec.blob.core.windows.net/private/images/..."
      }
    ]
  }
}

On peut voir qu’il y a un champ task_id dans le résultat, le champ data contient les mêmes résultats de génération d’image que l’appel synchrone, et le champ task_id permet d’associer les tâches.

Gestion des erreurs

Lors de l’appel de l’API, si une erreur se produit, l’API renverra le code d’erreur et les informations correspondantes. Par exemple :

400 token_mismatched : Mauvaise requête, probablement en raison de paramètres manquants ou invalides.
400 api_not_implemented : Mauvaise requête, probablement en raison de paramètres manquants ou invalides.
401 invalid_token : Non autorisé, jeton d’autorisation invalide ou manquant.
429 too_many_requests : Trop de requêtes, vous avez dépassé la limite de taux.
500 api_error : Erreur interne du serveur, quelque chose s’est mal passé sur le serveur.

Exemple de réponse d’erreur

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "échec de la récupération"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusion

Grâce à ce document, vous avez compris comment utiliser facilement l’API OpenAI Images Generations pour utiliser la fonction de génération d’images officielle d’OpenAI DALL-E. Nous espérons que ce document vous aidera à mieux intégrer et utiliser cette API. Si vous avez des questions, n’hésitez pas à contacter notre équipe de support technique.

Démarrage

Chat IA

Image IA

Vidéo IA

Audio IA

Web & Données

CAPTCHA

Identité

Proxy

Avancé

Coding

OpenAI Images Generations API demande et utilisation

Processus de demande

Modèle GPT-Image-2

Variantes de ligne (`:official` / `:reverse`)

Valeurs `size` prises en charge

Scène 1 : Portrait cinématographique

Scène 2 : Affiche de voyage rétro (avec rendu de texte)

Scène 3 : Composition complexe et comptage

Scène 4 : Style d’illustration (paysage)

Asynchrone et rappel

Modèles de la série Nano Banana

Appel de base

Mise à niveau vers le modèle phare `nano-banana-pro`

Callback asynchrone

Utilisation de base

Paramètre de qualité d’image `quality`

Paramètre de taille d’image `size`

Paramètre de style d’image `style`

Paramètre de format de lien d’image `response_format`

Rappel asynchrone

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion

​Processus de demande

​Modèle GPT-Image-2

​Variantes de ligne (:official / :reverse)

​Valeurs size prises en charge

​Scène 1 : Portrait cinématographique

​Scène 2 : Affiche de voyage rétro (avec rendu de texte)

​Scène 3 : Composition complexe et comptage

​Scène 4 : Style d’illustration (paysage)

​Asynchrone et rappel

​Modèles de la série Nano Banana

​Appel de base

​Mise à niveau vers le modèle phare nano-banana-pro

​Callback asynchrone

​Utilisation de base

​Paramètre de qualité d’image quality

​Paramètre de taille d’image size

​Paramètre de style d’image style

​Paramètre de format de lien d’image response_format

​Rappel asynchrone

​Gestion des erreurs

​Exemple de réponse d’erreur

​Conclusion

Processus de demande

Modèle GPT-Image-2

Variantes de ligne (`:official` / `:reverse`)

Valeurs `size` prises en charge

Scène 1 : Portrait cinématographique

Scène 2 : Affiche de voyage rétro (avec rendu de texte)

Scène 3 : Composition complexe et comptage

Scène 4 : Style d’illustration (paysage)

Asynchrone et rappel

Modèles de la série Nano Banana

Appel de base

Mise à niveau vers le modèle phare `nano-banana-pro`

Callback asynchrone

Utilisation de base

Paramètre de qualité d’image `quality`

Paramètre de taille d’image `size`

Paramètre de style d’image `style`

Paramètre de format de lien d’image `response_format`

Rappel asynchrone

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion