Virtuelles Home Staging API: Verwandle Fotos leerer Räume in möblierte Immobilienanzeigen mit KI

Ein Foto einer leerstehenden Immobilie vermittelt Käufern weniger als ein möbliertes Bild. Physisches Home Staging löst dieses Problem, erfordert jedoch für jede Einheit tatsächliche Ausgaben und die Terminplanung dauert mehrere Tage. Eine Bild-zu-Bild-API kann dieselbe Aufgabe mit nur einem Foto des leeren Raums erledigen: Sie behält den echten Raum – seine Wände, Böden, Fenster und den Kamerawinkel – bei und fügt Möbel hinzu.

Dieser Leitfaden führt den gesamten Workflow mit der kanonischen Modell-ID gpt-image-2/image-to-image durch, aufgerufen über POST https://api.hiapi.ai/v1/tasks. Er enthält zwei echte Vorher-Nachher-Bildpaare, die für diesen Leitfaden erstellt wurden (ein Wohnzimmer und ein Schlafzimmer), deren präzise Prompts, ein wiederverwendbares Batch-Skript sowie die verifizierte Preisgestaltung.

Wie Bild-zu-Bild-Staging den Raum real hält

Die Text-zu-Bild-Generierung erfindet Räume anhand einer Beschreibung. Das eignet sich nicht fürs Staging, da die Ausgabe mit der tatsächlichen Einheit übereinstimmen muss, die der Käufer betreten wird. Die Bild-zu-Bild-Generierung verwendet das Foto des leeren Raums als Referenz und bearbeitet es, sodass die reale Geometrie des Raums erhalten bleibt.

Eine Anfrage besteht aus zwei Teilen: einem prompt, der nur beschreibt, was geändert werden soll (die hinzuzufügenden Möbel und Dekorationen), sowie einem input_urls-Array mit dem Referenzfoto – dem Foto des leeren Raums, das unter einer öffentlichen URL gehostet wird. Das Modell liest das Referenzbild, behält Kamerawinkel, Wände, Boden und Fenster bei und rendert die Möbel in die Szene, als wären sie in genau diesem Raum aufgestellt.

POST https://api.hiapi.ai/v1/tasks
{
  "model": "gpt-image-2/image-to-image",
  "input": {
    "prompt": "<furniture and decor to add, plus an instruction to keep the room unchanged>",
    "input_urls": ["<public URL of the empty-room photo>"],
    "aspect_ratio": "16:9",
    "resolution": "1K"
  }
}

Diese eine Design-Entscheidung – Referenz eingeben, Bearbeitung ausgeben – ist genau der Unterschied zwischen virtuellem Staging und allgemeiner Raumgenerierung. Die beiden folgenden Beispiele zeigen dies an einem echten Foto eines unmöblierten leeren Wohnzimmers und einem Foto eines leeren Schlafzimmers.

Vorher/Nachher: Wohnzimmer

A professionally lit real estate photograph of a completely empty living room in
a modern apartment: light oak hardwood floors, plain white walls, one large
window with soft daylight, closed white door on the right wall, ceiling with a
single flush-mount light fixture, no furniture, no people, no text or
watermarks, wide-angle real estate listing photography style, sharp focus,
natural color grading.

Das erste Bild ist das Referenzfoto, erzeugt mit gpt-image-2/text-to-image, um ein Objektfoto einer realen leerstehenden Einheit zu ersetzen (Seitenverhältnis 16:9, Auflösung 1K, dokumentierte Kosten $0.03, erstellt am 2026-09-23). Im Produktions-Workflow ist dies tatsächlich das vom Makler selbst hochgeladene Foto – unabhängig davon, woher das Foto des leeren Raums stammt, funktioniert der folgende Staging-Schritt auf dieselbe Weise.

Using the empty room in the reference photo, keep the exact room geometry,
floor, walls, window, and door unchanged, and add tasteful modern furniture to
stage it as a livable listing photo: a light gray fabric sofa with two throw
pillows, a round wooden coffee table, a neutral area rug, a floor lamp in the
corner, and a piece of abstract wall art above the sofa. Keep the camera angle
and lighting identical to the reference photo. No people, no text or
watermarks, real estate listing photography style.

Nachweis: Modell gpt-image-2/image-to-image, input_urls auf das obige Foto des leeren Raums gesetzt, aspect_ratio: 16:9, resolution: 1K, dokumentierte Kosten $0.03, erstellt am 2026-09-23. Die Fensterposition, die Tür an der rechten Wand sowie die Farbtöne von Boden und Wänden wurden vom Referenzfoto übernommen – nur die Möbel sind neu hinzugefügt.

Vorher/Nachher: Schlafzimmer

A professionally lit real estate photograph of a completely empty bedroom in a
modern apartment: light oak hardwood floors, plain white walls, one window with
sheer curtains letting in soft daylight, a closet with sliding white doors on
one wall, ceiling with a single flush-mount light fixture, no furniture, no
people, no text or watermarks, wide-angle real estate listing photography
style, sharp focus, natural color grading.

Using the empty room in the reference photo, keep the exact room geometry,
floor, walls, window, and closet doors unchanged, and add tasteful modern
furniture to stage it as a livable listing photo: a queen-size bed with a light
gray upholstered headboard and neutral bedding, two matching nightstands with
small lamps, a folded throw blanket at the foot of the bed, and a framed piece
of wall art above the headboard. Keep the camera angle and lighting identical to
the reference photo. No people, no text or watermarks, real estate listing
photography style.

Nachweis: Modell gpt-image-2/image-to-image, input_urls auf das obige Foto des leeren Schlafzimmers gesetzt, aspect_ratio: 16:9, resolution: 1K, dokumentierte Kosten $0.03, erstellt am 2026-09-23. Die Position der Schiebetüren des Schranks und des Fensters blieben unverändert; Bett, Nachttische und Wandbild sind die einzigen Ergänzungen.

Beide Staging-Ergebnisse folgen einer dreiteiligen Prompt-Struktur: eine Anweisung, den Referenzraum beizubehalten, eine konkrete Möbelliste und ein fotografischer Stil-Tag. Das Weglassen der Beibehaltungs-Anweisung ist der häufigste Fehlermodus bei dieser Art von Aufgabe – ohne sie behandelt das Modell das Referenzbild lockerer und kann den Kamerawinkel oder die Raumproportionen verändern.

Staging-Aufgaben im Batch über die Task-API ausführen

Eine einzelne Immobilie erfordert oft das Staging mehrerer Räume, und eine Maklerfirma muss viele Immobilien bearbeiten. Das folgende Skript nimmt ein Wörterbuch mit URLs von Fotos leerer Räume entgegen, reicht für jede URL eine Staging-Aufgabe ein und fragt ab, bis alle Ausgaben bereit sind.

import os
import time
import requests

API_URL = "https://api.hiapi.ai/v1/tasks"
HEADERS = {
    "Authorization": f"Bearer {os.environ['HIAPI_TOKEN']}",
    "Content-Type": "application/json",
}

STAGING_BRIEF = (
    "keep the exact room geometry, floor, walls, and window unchanged, and add "
    "tasteful modern furniture to stage it as a livable listing photo, real "
    "estate listing photography style, no people, no text or watermarks"
)

# name -> public URL of the empty-room photo
ROOMS = {
    "unit-204-living-room": "https://your-storage.example.com/unit-204-living-room.jpg",
    "unit-204-bedroom": "https://your-storage.example.com/unit-204-bedroom.jpg",
}


def submit_staging_job(empty_room_url, aspect_ratio="16:9", resolution="1K"):
    response = requests.post(
        API_URL,
        headers=HEADERS,
        json={
            "model": "gpt-image-2/image-to-image",
            "input": {
                "prompt": STAGING_BRIEF,
                "input_urls": [empty_room_url],
                "aspect_ratio": aspect_ratio,
                "resolution": resolution,
            },
        },
        timeout=60,
    )
    response.raise_for_status()
    return response.json()["data"]["taskId"]


def wait_for_output(task_id, timeout_s=300, poll_interval=5):
    deadline = time.time() + timeout_s
    while time.time() < deadline:
        r = requests.get(f"{API_URL}/{task_id}", headers=HEADERS, timeout=30)
        r.raise_for_status()
        task = r.json()["data"]
        if task["status"] == "success":
            return task["output"][0]["url"]  # expires — download immediately
        if task["status"] == "fail":
            raise RuntimeError(task["error"])
        time.sleep(poll_interval)
    raise TimeoutError(f"task {task_id} did not finish in {timeout_s}s")


task_ids = {name: submit_staging_job(url) for name, url in ROOMS.items()}
staged_urls = {name: wait_for_output(tid) for name, tid in task_ids.items()}
print(staged_urls)

Für echte Batch-Verarbeitung sind zwei Details wichtig. Erstens: input_urls nimmt pro Aufgabe ein Referenzfoto entgegen – ein Raum pro Aufruf, statt zu versuchen, mehrere Räume in einer einzigen Anfrage zusammenzufassen. Zweitens: Jede output[0].url in der Antwort ist ein zeitlich begrenzter Link: Lade die Bytes sofort nach erfolgreichem Abschluss der Aufgabe herunter und speichere sie in deinem eigenen Bucket, so wie dieser Leitfaden seine Ausgaben sofort in den dauerhaften Speicher hochlädt.

Preisgestaltung für einen Staging-Batch

gpt-image-2/image-to-image wird nach Ausgabeauflösung bepreist und wurde am 2026-09-23 gegen den Live-Preis-Endpunkt von HiAPI verifiziert:

Auflösung	Preis pro Staging-Bild
1K	$0.03
2K	$0.04
4K	$0.06

Die Planungsformel lautet:

batch cost = units × rooms staged per unit × price per image

Mit dem 1K-Preis aus der Tabelle:

Immobilien-Batch	Räume pro Einheit	Staging-Bilder	Batch-Kosten
1 Einheit	3	3	$0.09
10 Einheiten	3	30	$0.90
50 Einheiten	4	200	$6.00
200 Einheiten	4	800	$24.00

Preise ändern sich, daher solltest du vor der Zusage für große Batches die Live-Preisseite prüfen und einen Puffer für Neugenerierungen basierend auf deiner eigenen Freigabequote einplanen – die beiden Beispiele in diesem Leitfaden sind nicht repräsentativ für eine allgemeine Erfolgsquote beim ersten Versuch.

Was virtuelles Staging nicht leisten kann

Bild-zu-Bild-Staging bearbeitet Pixel, nicht die tatsächliche Einheit. Bevor du es in den Immobilien-Workflow integrierst, beachte drei Einschränkungen:

• Es kann den Raum nicht reparieren. Schäden, Schimmel oder strukturelle Probleme im Referenzfoto sollten nicht herausretuschiert werden, und gestagte Fotos dürfen niemals den tatsächlichen Zustand der Einheit verfälschen.
• Es garantiert keine pixelgenaue Geometrie. Der Prompt fordert das Modell auf, den Raum beizubehalten, und die beiden obigen Beispiele bewahrten das Layout, aber vor der Veröffentlichung in einer Immobilienanzeige sollte dennoch ein Mensch jedes gestagte Foto mit seinem Quellfoto vergleichen.
• Offenlegungspflichten gelten weiterhin. Viele MLS-Systeme und lokale Immobiliengesetze verlangen, dass Anzeigen offenlegen, welche Fotos virtuell gestagt sind – prüfe vor der Veröffentlichung die für deinen Markt geltenden Vorschriften.

Häufig gestellte Fragen

Welches Modell sollte für KI-basiertes virtuelles Staging verwendet werden?

Verwende gpt-image-2/image-to-image mit POST /v1/tasks, übergib die öffentliche URL des Fotos des leeren Raums in input_urls und gib im Prompt die hinzuzufügenden Möbel an. Das vollständige Eingabeschema findest du in der Modell-Dokumentation.

Entsprechen gestagte Fotos wirklich dem echten Raum?

Sie sollten es, müssen aber überprüft werden. Die Prompt-Struktur in diesem Leitfaden – zuerst die Referenz beibehalten, dann nur die hinzuzufügenden Möbel auflisten – hielt in beiden Beispielen hier Fenster, Türen, Boden und Wandfarbtöne konsistent. Dennoch solltest du die Ausgaben vor der Veröffentlichung Bild für Bild mit dem Quellfoto abgleichen, da die Generierungsqualität je nach Raum und Beleuchtung variieren kann.

Wie viel kostet das Staging einer kompletten Immobilie?

Beim 1K-Preis von $0.03 pro Bild kostet das Staging von drei Räumen für eine Einheit $0.09. Multipliziere die Anzahl der Räume pro Einheit mit der Anzahl der Einheiten im Batch, um größere Aufgaben zu planen, und bestätige vorher die aktuellen Preise, da Auflösung und künftige Preisänderungen die Gesamtkosten beeinflussen.

Muss ich offenlegen, dass die Fotos virtuell gestagt wurden?

Prüfe die Vorschriften deines Marktes. Viele MLS-Systeme und lokale Gesetze verlangen ein Offenlegungslabel auf virtuell gestagten Fotos, unabhängig von den allgemeinen Genauigkeitsanforderungen für Immobilienbilder.

Kann diese Bild-zu-Bild-Methode mehr als nur Staging?

Ja – das Referenzbild beizubehalten, während die beschriebenen Elemente geändert werden, ist ein allgemeines Muster. Der GPT Image 2 E-Commerce-Workflow nutzt dieselbe zugrunde liegende Task-API für Produktfoto-Batches mit ähnlichen Prompts und Preisstrukturen.

Beginne mit dem Hochladen eines Fotos einer leerstehenden Einheit auf der GPT Image 2 Bild-zu-Bild-Modellseite, bestätige, dass der gestagte Raum zur echten Einheit passt, und überführe dann denselben input_urls-Aufruf in das obige Batch-Skript, um den Rest der Immobilie zu bearbeiten.