使用 OpenAI GPT Image 2 Edit API 编辑图像。通过提示词引导修改、多图输入、灵活质量控制和稳定创意输出，快速完成局部调整、风格优化和素材改版。 帮助团队把参考图、旧素材和新创意快速转成可用视觉，减少反复返工。
立即体验 AI 图片生成
OpenAI 的 GPT Image 2 Edit API 为开发者和创意团队提供高性价比、生产级的 AI 图像编辑能力。这个专业图像编辑 API 集成可帮助你通过自然语言指令转换现有视觉内容，同时保留场景连贯性、风格一致性和设计意图。基于 OpenAI 最新的 GPT 图像编辑技术栈构建，GPT Image 2 Edit 结合了语义级多模态推理、灵活的质量控制以及多图输入支持，可在 Best Image AI 上实现可扩展的编辑工作流。
注意 请确保你的提示词符合 OpenAI 的使用政策。如果发生错误，请检查提示词中是否包含受限内容，进行调整后重试。
GPT Image 2 Edit vs. GPT Image 2 Edit Client
GPT Image 2 Edit Client 提供相同的核心图像编辑能力，并为注重成本效率的团队提供非常实惠的接入路径。GPT Image 2 Edit 保持了同样强大的语义编辑、多图工作流支持以及适合生产环境的编辑能力，因此两种变体都适合专业编辑流水线，具体可根据预算优先级选择。
GPT Image 2 Edit vs. Runway Gen-4 References
Runway Gen-4 References 在电影感、参考驱动的视觉工作流方面表现强劲。GPT Image 2 Edit API 的差异化优势在于灵活的多图编辑、可靠的指令遵循，以及适合实际生产使用的高效 API 化编辑。
GPT Image 2 Edit vs. Stable Image Edit
Stable Image Edit 具备较高的定制灵活性和开放生态吸引力。GPT Image 2 Edit 则为希望在无基础设施负担下获得可靠编辑能力的团队，提供更低门槛的 API 集成、更成熟的语义编辑表现以及开箱即用的高质量输出。
GPT Image 2 Edit vs. Qwen Image 2.0 Edit
Qwen Image 2.0 Edit 是一款具备多语言优势、强调性价比的强力编辑模型。GPT Image 2 Edit API 则凭借 OpenAI 更成熟的指令遵循能力、稳健的多图工作流支持以及可靠的设计导向编辑控制脱颖而出。
GPT Image 2 Edit vs. Nano Banana 2 Edit
Nano Banana 2 Edit 强调 Gemini Flash 速度和高性价比编辑吞吐。GPT Image 2 Edit 则专注于更成熟的语义编辑、灵活的多图构图，以及面向专业编辑流水线的强大 OpenAI 工作流集成。
// Step 1: Submit generation request
const response = await fetch('https://api.flaq.ai/api/v1/image/task', {
method: 'POST',
headers: {
'Content-Type': 'application/json',
'Authorization': 'Bearer YOUR_API_KEY'
},
body: JSON.stringify({
model_name: 'gpt-image-2-edit',
width: 1,
height: 1,
resolution: '1k',
prompt: 'Change the jacket color to deep navy, keep lighting consistent',
quality: 'medium',
image_url_list: ['https://example.com/source.jpg']
})
});
const { data } = await response.json();
const taskId = data.task_id;
// Step 2: Poll for results
const taskId = data.task_id;
const pollResult = async (taskId) => {
const res = await fetch(`https://api.flaq.ai/api/v1/image/${taskId}`, {
headers: { 'Authorization': 'Bearer YOUR_API_KEY' }
});
return res.json();
};
while (true) {
const pollResultData = await pollResult(taskId);
const status = pollResultData.data.task_status;
if (status === 'succeed') {
console.log(pollResultData.data.task_result.images[].);
;
}
(status === ) {
.(pollResultData..);
;
}
( (resolve, ));
}
# Step 1: Submit generation request
import requests
response = requests.post(
'https://api.flaq.ai/api/v1/image/task',
headers={
'Content-Type': 'application/json',
'Authorization': 'Bearer YOUR_API_KEY'
},
json={
'model_name': 'gpt-image-2-edit',
'width': 1,
'height': 1,
'resolution': '1k',
'prompt': 'Change the jacket color to deep navy, keep lighting consistent',
'quality': 'medium',
'image_url_list': ['https://example.com/source.jpg']
}
)
task_id = response.json()['data']['task_id']
# Step 1: Submit generation request
curl -X POST https://api.flaq.ai/api/v1/image/task \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_API_KEY" \
-d '{
"model_name": "gpt-image-2-edit",
"width": 1,
"height": 1,
"resolution": "1k",
"prompt": "Change the jacket color to deep navy, keep lighting consistent",
"quality": "medium",
"image_url_list": ["https://example.com/source.jpg"]
}'
# Step 2: Poll for results
# Replace {task_id} with the task_id returned from the submit response
curl -X GET "https://api.flaq.ai/api/v1/image/{task_id}" \
-H "Authorization: Bearer YOUR_API_KEY"
# Step 2: Poll for results
task_id = response.json()['data']['task_id']
poll_url = f"https://api.flaq.ai/api/v1/image/{task_id}"
while True:
poll_result = requests.get(poll_url, headers={'Authorization': 'Bearer YOUR_API_KEY'}).json()
status = poll_result['data']['task_status']
if status == 'succeed':
print(poll_result['data']['task_result']['images'][0]['url'])
break
if status == 'failed':
print(poll_result['data']['task_status_msg'])
break
time.sleep(10)