上周接了个小活，甲方要做批量生成商品主图的工具。需求很明确：传一段文字描述，出一张高质量商品图。我第一反应是 DALL·E 3，但试了几张发现文字渲染还是拉胯，英文勉强能看，中文直接乱码。然后想起 OpenAI 前阵子放出来的 GPT image-2 —— 就是 ChatGPT 里那个画图贼强的模型，现在 API 终于开放了。折腾了两天，踩了不少坑，总算跑通了整个流程，写篇文章记录一下。

GPT image-2 是 OpenAI 2026 年开放 API 的最新图像生成模型，通过 gpt-image-1 端点调用，支持文字渲染、风格控制和透明背景输出，生成质量比 DALL·E 3 有明显提升。下面是完整的接入方案和我踩过的坑。

Python 3.9+，装最新版 openai SDK：

pip install openai>=1.75.0 

注意版本，老版本 SDK 不支持 gpt-image-1 的部分参数，我一开始用的 1.68 就报了参数错误，升级后才好。

最简单的调用方式，和 DALL·E 3 的接口几乎一样，换个 model 参数就行：

from openai import OpenAI client = OpenAI( api_key="your-key", base_url="https://api.ofox.ai/v1" # 聚合接口，一个 Key 调所有模型 ) result = client.images.generate( model="gpt-image-1", prompt="一只橘猫坐在赛博朋克风格的霓虹灯街道上，旁边有一个写着「深夜食堂」的招牌，招牌文字清晰可读", size="1024x1024", quality="high", output_format="png", n=1 ) # 返回的是 base64 编码的图片数据 import base64 image_data = base64.b64decode(result.data[0].b64_json) with open("cat_cyberpunk.png", "wb") as f: f.write(image_data) print("图片已保存") 

跑出来的效果说实话惊到我了，「深夜食堂」四个字居然真的是对的，笔画没乱。DALL·E 3 画中文基本就是鬼画符。

几个关键参数说明：

• quality：low、medium、high，价格差不少，测试阶段用 low 就行
• output_format：png 支持透明背景，jpeg 体积小，webp 也支持
• size：支持 1024x1024、1024x1536（竖图）、1536x1024（横图）、auto

这个是我觉得 GPT image-2 最实用的能力 —— 传一张图进去，告诉它改哪里：

from openai import OpenAI from pathlib import Path import base64 client = OpenAI( api_key="your-key", base_url="https://api.ofox.ai/v1" ) # 读取原图 image_path = Path("product_photo.png") image_data = base64.standard_b64encode(image_path.read_bytes()).decode("utf-8") result = client.images.edit( model="gpt-image-1", image=[ { "type": "input_image", "image_url": f"data:image/png;base64,{image_data}", } ], prompt="把背景换成纯白色，保持商品主体不变，添加柔和的阴影效果", size="1024x1024", quality="high", ) edited_image = base64.b64decode(result.data[0].b64_json) with open("product_white_bg.png", "wb") as f: f.write(edited_image) 

做电商抠图换背景简直好用，之前要用 remove.bg + PS 手动调，现在一个 API 调用搞定。

做商品主图最常见的需求 —— 生成透明背景的图，方便后期合成：

from openai import OpenAI import base64 import time client = OpenAI( api_key="your-key", base_url="https://api.ofox.ai/v1" ) products = [ "一瓶极简风格的护肤精华液，磨砂玻璃瓶身，金色瓶盖", "一双白色运动鞋，侧面视角，微微悬浮", "一个黑色真皮钱包，半打开状态，45度角俯拍", ] for i, desc in enumerate(products): result = client.images.generate( model="gpt-image-1", prompt=f"{desc}，透明背景，产品摄影风格，柔和的工作室灯光", size="1024x1024", quality="high", output_format="png", # 必须 png 才支持透明通道 background="transparent", # 关键参数 ) img = base64.b64decode(result.data[0].b64_json) with open(f"product_{i+1}.png", "wb") as f: f.write(img) print(f"第 {i+1} 张生成完成") time.sleep(1) # 别太快，容易触发限流 

background="transparent" 这个参数是 GPT image-2 新加的，DALL·E 3 没有。生成出来直接就是透明底，不用再后处理。

说几个我实际踩到的坑。

坑 1：返回格式变了

DALL·E 3 默认返回 url（一个临时链接），GPT image-2 默认返回 b64_json。我一开始还按老代码去取 result.data[0].url，结果拿到 None，debug 了半小时才发现。如果你确实想要 URL，需要显式传 response_format="url"，但官方文档说 URL 会在一小时后过期，建议还是用 base64 自己存。

坑 2：quality 参数对价格影响很大

GPT image-2 的计费是按 token 算的，不是按张。high 质量的 1024×1024 大概消耗 4000-8000 token，low 只要 1000-2000。我第一天测试没注意，全用 high，一天下来烧了好几十块。测试阶段真的用 low 就够了。

坑 3：中文 prompt 的玄学

虽然说支持中文文字渲染，但 prompt 里中文描述太长的时候，偶尔会出现文字错误。一个 workaround 是把需要渲染的文字用引号括起来，并且单独强调一下：

# 不太稳定的写法 prompt = "画一个咖啡店招牌，上面写着今日特惠拿铁半价" # 更稳定的写法 prompt = '画一个咖啡店招牌，上面写着「今日特惠 拿铁半价」，文字必须清晰准确，每个汉字都要正确' 

坑 4：并发限制

GPT image-2 的 rate limit 比文本模型严格不少。我用 asyncio 开了 10 个并发，直接被 429 了。后来改成 3 个并发 + 每次间隔 2 秒，才稳定下来。批量生成的话建议做个简单的队列。

整个调用流程其实很简单，画个图看一下：

ofox.ai 是一个 AI 模型聚合平台，兼容 OpenAI API 协议，一个 Key 可以调用 GPT-5、Claude Opus 4.6、Gemini 3 等 50+ 模型，也包括 gpt-image-1。改个 base_url 就能用，不用折腾鉴权的事。

GPT image-2 的 API 比 DALL·E 3 强了一个档次，文字渲染和透明背景这两个能力做电商图、营销素材、UI 素材都很实用。价格按 token 计费，小批量用其实不贵，大批量注意控制 quality 参数。

那个商品主图工具已经上线了，甲方还挺满意的。唯一的槽点是生成速度偏慢，high 质量的图大概要 10-15 秒，比 DALL·E 3 慢一些，但质量确实好，这个 trade-off 我能接受。