OpenAI Images Edits API Solicitação e Uso

OpenAI generation 集成指南 - Ace Data Cloud

O serviço de edição de imagens da OpenAI permite enviar qualquer número de imagens e instruções, retornando as imagens modificadas. Atualmente, a API suporta os modelos dall-e-2, gpt-image-1, o mais recente gpt-image-2, bem como a série de modelos nano-banana / nano-banana-2 / nano-banana-pro integrados pela mesma interface.

Este documento apresenta principalmente o fluxo de uso da OpenAI Images Edits API, que facilita o uso oficial da funcionalidade de edição de imagens da OpenAI.

​

Processo de Solicitação

Para usar a OpenAI Images Edits API, acesse a página OpenAI Images Edits API e clique no botão “Acquire” para obter as credenciais necessárias para as requisições:

Se você ainda não estiver logado ou registrado, será redirecionado automaticamente para a página de login para se registrar e entrar; após o login, retornará automaticamente para esta página.

Na primeira solicitação, há uma cota gratuita concedida para uso da API.

​

Modelo GPT-Image-2

O gpt-image-2 apresenta melhorias significativas em relação ao gpt-image-1 no cenário de edição de imagens:

• Manutenção mais estável da estrutura: Ao trocar a pele, cores ou fundo, quase não há destruição da composição e layout originais da imagem.
• Preservação mais precisa do texto: Imagens contendo texto, como infográficos, pôsteres e menus, mantêm o texto claro e legível após a edição.
• Suporte a URL direta: Além do tradicional upload de arquivos via multipart/form-data, o gpt-image-2 também suporta a passagem de URLs de imagens em JSON, sem necessidade de baixar a imagem localmente, ideal para integração em pipelines de servidor.
• Suporte a redimensionamento em alta resolução: É possível enviar uma imagem original de 1K e, via parâmetro size, solicitar saída em 2K ou 4K; o modelo realiza o redimensionamento durante o processo de edição.

​

Valores suportados para size

As restrições do parâmetro size na interface de edição são idênticas às da interface de geração — o gpt-image-2 aceita size como auto, vazio ou no formato WIDTHxHEIGHT; qualquer outro formato retorna erro 400. Todos os tamanhos (1K / 2K / 4K / personalizados) são cobrados por imagem única, independentemente da resolução original ou do valor solicitado em size.

As restrições rígidas do upstream para tamanhos personalizados também se aplicam: largura e altura múltiplos de 16, lado maior ≤ 3840, total de pixels ≤ 8.294.400.

Proporção	Recomendado 1K	Recomendado 2K	Recomendado 4K
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

Por exemplo: se a imagem original for 1024x1024 e size for 2048x2048, o modelo redesenhará e retornará uma imagem 2K; se size for 3840x2160, a saída será uma imagem 4K em formato paisagem; se auto ou omitido, o modelo escolherá automaticamente. A cobrança é a mesma para os três casos.

Sobre o parâmetro n

Atualmente, a interface de edição do gpt-image-2 não suporta n > 1: esse parâmetro será ignorado silenciosamente; independentemente de enviar n=1 ou n=10, apenas uma imagem será retornada por requisição e cobrada como uma única imagem. Se desejar múltiplas imagens candidatas, faça múltiplas requisições concorrentes. Essa limitação também vale para gpt-image-1 / gpt-image-1.5 e para a série nano-banana. O dall-e-2 é o único modelo de edição que suporta nativamente n > 1.

A seguir, apresentamos dois exemplos reais para demonstrar a capacidade de edição do gpt-image-2.

​

Modo de chamada 1: JSON + URL da imagem (recomendado)

Envie a requisição com Content-Type: application/json, preenchendo o campo image com a URL da imagem; o modelo buscará a imagem e a editará conforme o prompt.

Por exemplo, a imagem original abaixo foi gerada com gpt-image-2 como um infográfico científico:

Queremos alterar para um esquema de cores “modo noturno”. Podemos chamar assim:

curl -X POST "https://api.acedata.cloud/openai/images/edits" \
  -H "Authorization: Bearer {token}" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "image": "https://platform.cdn.acedata.cloud/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"
  }'

Ou em Python:

import requests

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

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

payload = {
    "model": "gpt-image-2",
    "image": "https://platform.cdn.acedata.cloud/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)

Resposta:

{
  "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.acedata.cloud/gpt-image/cb104e35-af1f-45be-9fac-b62e2b256753_0.png"
    }
  ],
  "elapsed": 83.859
}

Imagem editada:

Note que a estrutura dos módulos, divisão das informações e tipografia foram rigorosamente preservadas, apenas o esquema de cores foi invertido para tema escuro.

Dica: o campo image também aceita um array, por exemplo "image": ["url1", "url2", "url3"], com até 16 imagens de referência para o modelo considerar na edição.

​

Modo de chamada 2: JSON + múltiplas imagens de referência

O gpt-image-2 suporta múltiplas imagens de referência para gerar o resultado final, por exemplo, combinar várias fotos de produtos em uma cesta de presente:

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"
}

​

Exemplo de cenário: trocar estilo mantendo estrutura

Outro exemplo: substituir uma estante de madeira por uma prateleira flutuante moderna, mantendo rigorosamente a quantidade e disposição dos livros em cada prateleira.

Imagem original (estante de madeira gerada com gpt-image-2):

Chamada:

payload = {
    "model": "gpt-image-2",
    "image": "https://platform.cdn.acedata.cloud/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"
}

Resultado da edição (task_id: e9544dba-727e-44a2-81e1-223d49869380):

O estilo e ambiente foram completamente substituídos conforme o prompt, mas a quantidade de livros por prateleira (1 / 3 / 7) foi rigorosamente mantida, e uma pequena suculenta foi adicionada conforme solicitado.

​

Modo de chamada 3: multipart/form-data (compatível com OpenAI SDK)

Se você já usa o SDK oficial OpenAI Python, o método tradicional de upload via multipart/form-data também funciona, basta alterar o model para 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)

Ao usar o SDK, é necessário definir duas variáveis de ambiente: OPENAI_BASE_URL para https://api.acedata.cloud/openai e OPENAI_API_KEY para o token obtido:

export OPENAI_BASE_URL=https://api.acedata.cloud/openai
export OPENAI_API_KEY={token}

​

Série Nano Banana

A série nano-banana também está integrada em /openai/images/edits; basta alterar o model para qualquer um da tabela abaixo.

Modelo	Custo (Credits / requisição)	Cenário de uso
nano-banana	0.14	Edição comum, mais rápido e barato
nano-banana-2	0.28	Qualidade e detalhes significativamente melhores
nano-banana-pro	0.35	Topo da linha, melhor preservação de estrutura, texto e estilo

Importante: parâmetros suportados

Nano Banana usa uma camada adaptadora para o protocolo OpenAI, suportando apenas os parâmetros: model, prompt, image.

• image pode ser enviado via upload multipart/form-data (internamente convertido para data:<mime>;base64,... para o upstream) ou como URL via campo de formulário.
• Não suporta mask, n, size, response_format e similares; esses parâmetros serão ignorados.
• A resposta segue o formato OpenAI (data[].url), mas created é sempre 0, não retorna b64_json, e revised_prompt é sempre igual ao prompt original.

​

Chamada via formulário + URL da imagem

curl -X POST "https://api.acedata.cloud/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.acedata.cloud/nanobanana/6870b330-65c4-436c-bb80-819fdae7a7a4.png"

Resposta:

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

Imagem editada:

​

Chamada via formulário + arquivo local

import requests

url = "https://api.acedata.cloud/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)

​

Callback assíncrono

O mecanismo de callback assíncrono via callback_url também funciona para nano-banana, com fluxo idêntico aos outros modelos, conforme a seção Callback assíncrono abaixo.

​

Uso básico

A seguir, um exemplo de chamada via 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.acedata.cloud/v1/images/edits" \
  -H "Authorization: Bearer {token}" \
  -F "model=gpt-image-1" \
  -F "image[]=@test.png" \
  -F 'prompt=Create a lovely gift basket with these this items in it'

Na primeira vez usando essa API, precisamos preencher pelo menos quatro campos: authorization (selecionado na lista suspensa), model (modelo escolhido conforme a lista disponível), prompt (descrição do que gerar) e image (caminho da imagem a ser editada). A imagem a ser editada é a seguinte:

Código Python equivalente para a mesma chamada:

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)

# Salvar a imagem em arquivo
with open("gift-basket.png", "wb") as f:
    f.write(image_bytes)

Para usar Python, defina as variáveis de ambiente OPENAI_BASE_URL para https://api.acedata.cloud/openai e OPENAI_API_KEY para o token obtido, por exemplo no Mac OS:

export OPENAI_BASE_URL=https://api.acedata.cloud/openai
export OPENAI_API_KEY={token} 

Após a chamada, será gerada uma imagem gift-basket.png no diretório atual, com o seguinte resultado:

Assim, completamos a edição da imagem. Atualmente, a interface Edits suporta três modelos: dall-e-2, gpt-image-1 e gpt-image-2, sendo o gpt-image-2 o modelo recomendado, conforme explicado na seção Modelo GPT-Image-2.

​

Callback assíncrono

Como a edição de imagens via OpenAI Images Edits API pode levar algum tempo, manter a conexão HTTP aberta pode consumir recursos extras. Por isso, a API oferece suporte a callbacks assíncronos.

O fluxo é: o cliente envia a requisição incluindo o campo callback_url; a API retorna imediatamente um resultado contendo o task_id da tarefa. Quando a tarefa for concluída, o resultado da edição será enviado via POST JSON para o callback_url informado, incluindo o task_id para associação.

Exemplo prático:

Um webhook é um serviço HTTP que recebe requisições; o desenvolvedor deve substituir pelo URL do seu servidor HTTP. Para demonstração, usamos o site público https://webhook.site/, que gera um URL de webhook, como:

Copie esse URL, por exemplo https://webhook.site/3d32690d-6780-4187-a65c-870061e8c8ab.

Em seguida, envie a requisição com o campo callback_url definido para esse URL:

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

A resposta imediata será:

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

Após alguns instantes, você poderá ver no webhook o resultado da edição:

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

Note que o resultado contém o campo task_id e o campo data com o mesmo resultado da chamada síncrona, permitindo associar o resultado à tarefa.

​

Tratamento de erros

Ao chamar a API, se ocorrer um erro, a API retornará um código e mensagem de erro correspondentes, por exemplo:

• 400 token_mismatched: Requisição inválida, possivelmente por parâmetros faltantes ou incorretos.
• 400 api_not_implemented: Requisição inválida, possivelmente por parâmetros faltantes ou incorretos.
• 401 invalid_token: Não autorizado, token inválido ou ausente.
• 429 too_many_requests: Muitas requisições, limite de taxa excedido.
• 500 api_error: Erro interno do servidor.

​

Exemplo de resposta de erro

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

​

Conclusão

Com este documento, você aprendeu como usar a OpenAI Images Edits API para aproveitar facilmente a funcionalidade oficial de edição de imagens da OpenAI. Esperamos que este guia ajude na integração e uso da API. Em caso de dúvidas, entre em contato com nossa equipe de suporte técnico.