ChatGPT virtuelle Anprobe Alternative: 4 Try-on-APIs im Praxistest

ChatGPT hat am 1. Oktober 2026 für Kleidung und Accessoires eine Try on-Schaltfläche (Anprobe) hinzugefügt. Du lädst ein Selfie hoch, wählst einen Artikel aus, und ChatGPT Images 2.5 rendert, wie du ihn trägst. Für Shopper ist das praktisch. Aber es ist nichts, das du aus deinem eigenen Shop, deiner App oder deiner Produktkatalog-Pipeline aufrufen kannst: Es gibt keinen Anprobe-Endpoint, keine festen Eingaben aus Person plus Kleidungsstück, und das Ergebnis hängt davon ab, wie der Dialog deine Anfrage interpretiert.

Wenn du dieselbe Funktion als API benötigst, kannst du aus zwei Modelltypen wählen: spezialisierte Anprobe-Modelle, die strikt ein Personenfoto und ein Kleidungsfoto entgegennehmen, sowie Multi-Referenz-Bildeditoren, die zwei Bilder plus eine Textanweisung erhalten. Wir haben mit denselben zwei Eingabepaaren insgesamt vier Online-HiAPI-Modelle aus beiden Kategorien laufen lassen, insgesamt 12 echte /v1/tasks-Läufe, und zeigen unten alle Ausgaben.

Schnellantwort

	FASHN Try-On v1.6	Google Virtual Try-On	FIBO Edit 1.5	GPT Image 2.5 Sunburst (Edit)
Modellseite	fashn-tryon-v1.6	google-virtual-try-on	fibo-edit-1.5	gpt-image-2.5-sunburst
Typ	spezialisierte Anprobe	spezialisierte Anprobe	Multi-Referenz-Edit (1–4 Bilder)	Multi-Referenz-Edit
Prompt erforderlich	Nein	Nein	Ja (instruction)	Ja (prompt)
Steuerungsoptionen für Kleidung	category, garment_photo_type, mode, seed	Keine, nur zwei Bildfelder	Formulierung der Anweisung plus seed	Formulierung des Prompts
Ausgabe in unseren Läufen	832×1248 (identisch mit Eingabe)	832×1248 (identisch mit Eingabe)	768×1152	832×1248, 1K, 2:3
Preis pro Bild (HiAPI, 03.11.2026)	$0.1072	$0.1075	$0.0575	$0.025 bei 1K ($0.04 bei 2K, $0.06 bei 4K)

Auf Basis dieser 12 Läufe lautet unser kurzes Fazit:

• GPT Image 2.5 Sunburst hat in beiden Tests die originalgetreueste Kleidung wiedergegeben, zu etwa einem Viertel des Preises der Anprobe-Modelle. Es ist die nächstliegende API-Entsprechung zu dem Modell hinter der ChatGPT-Funktion. Der Preis dafür: Du musst Prompts schreiben, und das Modell kann alles frei verändern, was der Prompt nicht fixiert.
• Google Virtual Try-On ist am einfachsten zu integrieren: zwei Bild-URLs, kein Prompt, und Gesicht und Pose der Person bleiben intakt. Es platziert die Kleidung sauber, schnitt aber den ersten Buchstaben des Brustdrucks ab.
• FASHN Try-On v1.6 ist das spezialisierte Modell mit den meisten Steuerungsoptionen und bietet category-, photo-type-, mode- und seed-Felder. Bei unserem hüftlangen Überhemd lieferte es zweimal in Folge eine verkürzte Länge.
• FIBO Edit 1.5 hat den Brustdruck von allen vier am saubersten gerendert. Mit $0.0575 kostet es etwa die Hälfte der spezialisierten Modelle, verschiebt aber das Gesicht der Person stärker als die anderen Modelle.

Was die Anprobe von ChatGPT ist und was nicht

Berichten zur Veröffentlichung im Oktober 2026 zufolge erscheint die Try-on-Schaltfläche auf Produktseiten für Kleidung und Accessoires innerhalb von ChatGPT. Du machst oder lädst ein Referenzfoto hoch, ChatGPT speichert dieses Foto für künftige Anproben, und das Bild wird von ChatGPT Images 2.5 generiert. Du kannst auch einen Screenshot des Produkts hochladen und eine Anprobe anfordern. Laut Berichten können die Ergebnisse Passform oder Größe möglicherweise nicht genau wiedergeben.

Für Entwickler fehlen drei Dinge:

1. Kein Endpoint. Die Funktion existiert im Chat-Produkt. Dein Shop kann ihm kein Shopper-Foto und kein SKU-Bild senden und eine URL zurückerhalten.
2. Kein fester Vertrag. Ob die Kleidung korrekt sitzt, hängt vom Dialog ab, nicht von benannten Eingabefeldern.
3. Kein Batch-Pfad. Ein Produktteam, das 500 SKUs von drei Markenmodels präsentieren lassen will, braucht Warteschlange, Retries und Callbacks.

Auf der API-Seite werden die Bildmodelle derselben Veröffentlichung als gpt-image-2.5-flare und gpt-image-2.5-sunburst angeboten. Wenn du wissen willst, wie Produktnamen auf diese IDs abgebildet werden, lies ChatGPT Images 2.5 im Vergleich zu Flare und Sunburst. In den folgenden Tests haben wir die Edit-Linie von Sunburst verwendet, da sie die auf präzises Editieren ausgerichtete Stufe ist.

Wie wir getestet haben

Wir haben mit gpt-image-2/text-to-image zwei ursprüngliche Eingabepaare erzeugt und sie auf öffentliche URLs hochgeladen, dann haben wir genau dieselben Eingabepaare an alle vier Modelle gesendet.

• Eingabepaar 1, Strukturtest. Eine Frau in einem weißen T-Shirt und hellblauen Jeans sowie ein flach ausgelegtes, senfgelbes Überhemd aus Cord mit breiten Streifen: fünf Knöpfe, eine Brusttasche mit Klappe, spitzer Kragen, geschwungener Saum, der unterhalb der Taille endet.
• Eingabepaar 2, Drucktest. Ein Mann in einem grauen T-Shirt und olivfarbenen Freizeithosen sowie ein flach ausgelegtes cremeweißes T-Shirt mit einem orangefarbenen Sonnenmotiv und dem Aufdruck SUNDAY CLUB in navyblauen Großbuchstaben.

Die Einstellungen blieben über alle Läufe konstant:

• FASHN: category: "tops", garment_photo_type: "flat-lay", mode: "quality", output_format: "jpeg", seed: 42 (plus ein Wiederholungslauf mit seed: 7)
• Google: nur person_image_url + product_image_url
• FIBO: zwei Bilder in image_urls, eine Anweisung, aspect_ratio: "2:3"
• GPT Image 2.5 Sunburst: zwei Bilder in image_urls, aspect_ratio: "2:3", resolution: "1K"

Jeder Task benötigte vom Absenden bis zum Ergebnis etwa 25–60 Sekunden, gemessen bei einem Polling-Intervall von 5 Sekunden. Alle 12 Tasks waren beim ersten Absenden erfolgreich.

Test 1: Cord-Überhemd (Struktur und Länge)

Von links nach rechts: FASHN, Google, FIBO, GPT Image 2.5 Sunburst. Hier sind die Oberkörperausschnitte in Originalauflösung, zuerst das ursprüngliche Personenfoto:

Was wir beobachtet haben:

• Alle vier Modelle behielten das Senfgelb, die dunklen Knöpfe, den spitzen Kragen und die einzelne Tasche mit Klappe auf der linken Brust der Trägerin bei. Keines setzte die Tasche auf die falsche Seite.
• FASHN verkürzte das Überhemd zu einem bauchfreien Top. Die Cordstreifen wurden gerendert, aber die Kleidungslänge war falsch.
• Google behielt das Hemd in voller Länge, der Saum liegt am Bund der Jeans, mit leichter Weite. Gesicht, Haare und Pose kamen dem Eingabefoto am nächsten.
• FIBO erzeugte ein plausibel aussehendes Hemd mit weicheren Streifen. Das Gesicht wich deutlich ab: Kieferlinie, Haarvolumen und Ausdruck unterschieden sich von der Eingabe.
• GPT Image 2.5 Sunburst war das einzige Modell, das den geschwungenen, unterhalb der Taille endenden Saum passend zur flach ausgelegten Vorlage reproduzierte, die breiten Streifen waren klar sichtbar, und das Gesicht blieb intakt.

Ist das reproduzierbar?

Wir haben FASHN mit einem anderen Seed erneut laufen lassen und GPT Image 2.5 Sunburst mit demselben Prompt wiederholt:

FASHN gab mit seed: 7 erneut eine zu kurze Version aus: Das Hemd stand unten offen und legte den Bauch frei. GPT Image 2.5 Sunburst lieferte zweimal nahezu identische Ergebnisse. Bei diesem Kleidungsstück war das Längenproblem von FASHN systematisch, nicht zufällig.

Test 2: Bedrucktes T-Shirt (Logo und Text)

Der Druck ist der Punkt, an dem bei der Anprobe typischerweise Probleme auftreten, daher hier die Nahaufnahmen (FASHN, Google, FIBO, GPT Image 2.5 Sunburst mit unserem spezifischen Prompt und Sunburst mit einem allgemeinen Prompt):

• FASHN vergrößerte den Druck so stark, dass das S in SUNDAY an die Seite des Shirts stieß und teilweise abgeschnitten wurde.
• Google platzierte den Druck in natürlicher Größe, aber auch hier fiel der erste Buchstabe auf eine Seitenfalte und wurde teilweise verdeckt.
• FIBO renderte die Sonne und das vollständige SUNDAY CLUB sauber, in einer Größe nahe der flach ausgelegten Vorlage.
• GPT Image 2.5 Sunburst renderte den vollständigen Text in beiden Läufen korrekt, aber der Druck war kleiner und höher platziert als im Original.
• Alle vier Modelle behielten die Hand in der Tasche, die olivfarbene Hose und den beigen Hintergrund bei.

Wenn Brustdruck, Logos oder Text für deinen Katalog wichtig sind, füge unabhängig vom gewählten Modell eine Qualitätskontrolle für den Druck hinzu.

Brauchen Editoren detaillierte Prompts?

Unser Sunburst-Prompt beschrieb die Details jedes Kleidungsstücks (Taschenposition, Streifenbreite, Drucklayout). Um zu prüfen, wie wichtig das ist, haben wir beide Eingabepaare mit einem allgemeinen Prompt erneut laufen lassen, der die Kleidung nie erwähnt:

Bild 1 ist eine Person. Bild 2 ist ein Produktfoto eines Kleidungsstücks. Ziehe der Person in Bild 1 das Kleidungsstück aus Bild 2 an. Behalte Gesicht, Haare, Körper, Pose, alle anderen Kleidungsstücke, Hintergrund und Beleuchtung der Person unverändert bei. Reproduziere Farbe, Stoff, Länge, strukturelle Details sowie etwaige Drucke oder Text des Kleidungsstücks exakt. Realistisches Katalogfoto.

Beide Ergebnisse waren tragfähig: Das Überhemd behielt den geschwungenen Saum, der Druck war korrekt geschrieben. Ein templatisierter Prompt kann also den gesamten Katalog bedienen, du musst nicht für jede SKU einen Prompt schreiben. Das Risiko ist anders gelagert: Da der Editor alles verändert, was der Prompt nicht schützt, solltest du in jeder Anfrage die Liste der unverändert zu haltenden Dinge mitgeben.

Der detaillierte Prompt, den wir für Eingabepaar 1 verwendet haben, lautet:

Bild 1 ist eine Person. Bild 2 ist ein senfgelbes Überhemd aus Cord. Ziehe der Person in Bild 1 das Überhemd aus Bild 2 an, zugeknöpft. Behalte ihr Gesicht, ihre Haare, ihre Statur, ihre Pose, ihre Jeans, ihre Sneaker, den Hintergrund und die Beleuchtung exakt wie in Bild 1 bei. Reproduziere das Überhemd exakt: dasselbe Senfgelb, breit gestreifter Cord, dunkelbraune Knöpfe, eine Tasche mit Knopfklappe auf ihrer linken Brust, spitzer Kragen, lange Ärmel mit Manschetten. Realistisches Ganzkörper-Katalogfoto, ohne Text.

Aufruf über eine einzige API

Alle vier Modelle nutzen denselben asynchronen Ablauf: POST /v1/tasks, dann GET /v1/tasks/{taskId} abfragen, bis status gleich success oder fail ist. Nur das input-Objekt ändert sich. Den vollständigen Vertrag, einschließlich Callbacks und Idempotency-Key, findest du in der Dokumentation zur asynchronen API.

import os, time, requests

API = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"}

PERSON = "https://your-cdn.example.com/person.jpg"
GARMENT = "https://your-cdn.example.com/garment.jpg"

REQUESTS = {
    "fashn-tryon-v1.6": {
        "model_image": PERSON,
        "garment_image": GARMENT,
        "category": "tops",              # tops | bottoms | one-pieces | auto
        "garment_photo_type": "flat-lay",  # auto | model | flat-lay
        "mode": "quality",               # performance | balanced | quality
        "seed": 42,
    },
    "google-virtual-try-on": {
        "person_image_url": PERSON,
        "product_image_url": GARMENT,
    },
    "fibo-edit-1.5/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "instruction": "Ziehe der Person in Bild 1 das Kleidungsstück aus Bild 2 an."
                       "Behalte Gesicht, Pose, andere Kleidung und Hintergrund unverändert bei.",
        "aspect_ratio": "2:3",
    },
    "gpt-image-2.5-sunburst/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "prompt": "Bild 1 ist eine Person. Bild 2 ist ein Produktfoto eines Kleidungsstücks."
                  "Ziehe der Person in Bild 1 das Kleidungsstück aus Bild 2 an."
                  "Behalte Gesicht, Haare, Körper, Pose, alle anderen Kleidungsstücke,"
                  "Hintergrund und Beleuchtung der Person unverändert bei.",
        "aspect_ratio": "2:3",
        "resolution": "1K",              # 1K | 2K | 4K
    },
}

def try_on(model: str) -> str:
    r = requests.post(API, headers=HEADERS, json={"model": model, "input": REQUESTS[model]})
    r.raise_for_status()
    task_id = r.json()["data"]["taskId"]
    while True:
        task = requests.get(f"{API}/{task_id}", headers=HEADERS).json()["data"]
        if task["status"] == "success":
            return task["output"][0]["url"]   # temporäre URL: bitte herunterladen und speichern
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(5)

print(try_on("google-virtual-try-on"))

Drei Details, die wir in unseren Läufen festgestellt haben:

• Die Edit-Linie lehnt quality ab. Wenn du "quality": "medium" an gpt-image-2.5-sunburst/image-to-image sendest, kommt 400 INVALID_REQUEST: additional properties 'quality' not allowed zurück. Verwende nur resolution und aspect_ratio, um die Ausgabegröße zu steuern.
• Ausgabe-URLs laufen ab. Die Ergebnis-URLs sind temporär (expireAt in der Task-Ausgabe), daher solltest du die Bilder herunterladen und in deinem eigenen Speicher ablegen.
• Eingaben müssen öffentliche http(s)-URLs sein. Alle vier Modelle nehmen Bild-URLs entgegen, nicht base64. Lade das Shopper-Foto zuerst hoch und reiche dann den Task ein.

Wie du wählst

Wähle ein spezialisiertes Anprobe-Modell (FASHN oder Google), wenn:

• Shopper oder Operatoren Bilder einreichen und du im Ablauf keine Prompts haben willst
• Gesicht und Pose möglichst nah an der Eingabe bleiben sollen (Google ist darin am stärksten)
• Du explizite category- und garment-photo-type-Steuerungen sowie einen seed für reproduzierbare Wiederholungsläufe brauchst (FASHN)

Wähle einen Multi-Referenz-Editor (GPT Image 2.5 Sunburst oder FIBO), wenn:

• Kleidungsstruktur und -länge wichtiger sind als die Einfachheit ohne Prompt (Sunburst war in unserem Überhemd-Test am stärksten)
• Die Kosten pro Bild entscheidend sind: Sunburst 1K kostet $0.025, FIBO $0.0575, die spezialisierten Modelle etwa $0.107
• Du im selben Aufruf mehr als einen einfachen Kleidungswechsel machen willst, etwa zugeknöpft oder offen, reingesteckt oder herausgelassen oder ein anderer Hintergrund
• Drucke und Text lesbar bleiben müssen (FIBO und Sunburst haben in unseren Tests den Druck vollständig buchstabiert)

Bleib in ChatGPT, wenn: Du nur eine einzelne Person bist und sehen willst, wie ein Artikel an dir aussieht. Du brauchst keinen Code.

Häufig gestellte Fragen

Hat ChatGPT eine API für virtuelle Anprobe?

Nein. Stand November 2026 ist die Anprobe eine Funktion der ChatGPT-App, die über eine Produktseite oder ein hochgeladenes Bild ausgelöst wird. Die Bildmodelle derselben Veröffentlichung sind als API-Modelle verfügbar, aber es gibt keinen anprobespezifischen Endpoint mit Feldern für Person und Kleidung. Auf HiAPI kannst du diese Bildmodelle oder spezialisierte Anprobe-Modelle über /v1/tasks aufrufen.

Welches Modell kommt dem von ChatGPT verwendeten Modell am nächsten?

Die Anprobe von ChatGPT läuft auf ChatGPT Images 2.5. Die API-Modelle dieser Veröffentlichung sind GPT Image 2.5 Flare und Sunburst. Wir haben die Image-to-Image-Linie von Sunburst getestet, die mehrere Referenzbilder plus Prompt entgegennimmt.

Sind spezialisierte Anprobe-Modelle besser als ein allgemeiner Bildeditor?

Nicht unbedingt. In unseren beiden Tests waren die spezialisierten Modelle einfacher aufzurufen und behielten das Gesicht am nächsten zur Eingabe, während GPT Image 2.5 Sunburst Kleidungslänge und vollständigen Druck originalgetreuer wiedergab. Bevor du dich entscheidest, lass beide Modelltypen mit deiner eigenen Kleidung laufen. Ein Bild pro Typ kostet deutlich weniger als $0.25.

Was kostet eine Anprobe?

Stand 03.11.2026 auf HiAPI: FASHN Try-On v1.6 $0.1072, Google Virtual Try-On $0.1075, FIBO Edit 1.5 $0.0575, GPT Image 2.5 Sunburst Image-to-Image $0.025 bei 1K ($0.04 bei 2K, $0.06 bei 4K). Aktuelle Tarife findest du auf der Preisseite. Fehlgeschlagene Tasks werden nicht berechnet.

Kann ich Gesicht und Pose des Shoppers unverändert halten?

Dafür sind die spezialisierten Modelle genau konzipiert, und Google kam in unseren Läufen am nächsten. Bei Editoren musst du es explizit angeben („Gesicht, Haare, Körper, Pose, Hintergrund unverändert lassen“). Unser allgemeiner Prompt mit Sunburst hielt das Gesicht gut, während FIBO stärker abwich.

Geht das auch für Unterteile oder Kleider?

Das category-Feld von FASHN akzeptiert Werte für Oberteile, Unterteile und Einteiler. Die Modellseite von Google listet gängige Oberteile, Jacken und Kleider als geeignete Kandidaten. Wir haben hier nur Oberteile getestet.

Fazit

Die Anprobe von ChatGPT ist eine Shopper-Funktion. Für ein Produkt brauchst du einen Endpoint, und auf HiAPI gibt es vier zuverlässige Endpoints mit einem einzigen Schlüssel. Wenn du minimalen Integrationsaufwand willst, beginne mit Google Virtual Try-On. Wenn du explizite Kontrolle und reproduzierbare Seeds willst, nutze FASHN Try-On v1.6. Wenn Kleidungstreue und Kosten am wichtigsten sind, teste GPT Image 2.5 Sunburst mit einem templatisierten Prompt. Sende dieselben zwei Bilder an zwei dieser Modelle und lass deine Kleidung entscheiden. Bevor du Code schreibst, kannst du beide auf der Playground-Seite der jeweiligen Modellseite ausprobieren.

Weiterführende Lektüre

• FASHN Try-On v1.6 im Vergleich zu Google Virtual Try-On
• FASHN Try-On v1.6 API: funktionierende curl- und Python-Anfragen
• Google Virtual Try-On API-Leitfaden