Alternativas de prueba virtual de ChatGPT: 4 API de prueba virtual puestas a prueba

El 1 de octubre de 2026, ChatGPT añadió un botón Try on (probarse) para ropa y accesorios. Subes una selfie, eliges un producto y ChatGPT Images 2.5 genera una imagen de cómo te queda. Para los compradores funciona bien. Pero no es algo que puedas invocar desde tu propia tienda, aplicación o canal de catálogo de productos: no tiene una interfaz de prueba virtual, no tiene una entrada fija de retrato más prenda, y el resultado depende de cómo la conversación interprete tu solicitud.

Si necesitas implementar la misma funcionalidad como API, puedes elegir entre dos tipos de modelos: modelos especializados de prueba virtual, que reciben estrictamente una foto de una persona y una foto de una prenda; y editores de imágenes con múltiples referencias, que reciben dos imágenes más una instrucción de texto. Ejecutamos cuatro modelos en producción de HiAPI (dos de cada tipo) con los mismos dos pares de entradas, un total de 12 ejecuciones reales de /v1/tasks, y mostramos todos los resultados a continuación.

Respuesta rápida

	FASHN Try-On v1.6	Google Virtual Try-On	FIBO Edit 1.5	GPT Image 2.5 Sunburst (edición)
Página del modelo	fashn-tryon-v1.6	google-virtual-try-on	fibo-edit-1.5	gpt-image-2.5-sunburst
Tipo	Prueba virtual especializada	Prueba virtual especializada	Edición con múltiples referencias (1–4 imágenes)	Edición con múltiples referencias
¿Requiere prompt?	No	No	Sí (instruction)	Sí (prompt)
Controles de la prenda	category, garment_photo_type, mode, seed	Ninguno, solo dos campos de imagen	Redacción de la instrucción, más seed	Redacción del prompt
Salida en nuestras ejecuciones	832×1248 (igual que la entrada)	832×1248 (igual que la entrada)	768×1152	832×1248, 1K, 2:3
Precio por imagen (HiAPI, 2026-11-03)	$0,1072	$0,1075	$0,0575	$0,025 a 1K ($0,04 a 2K, $0,06 a 4K)

Basándonos en estas 12 ejecuciones, nuestra breve conclusión es:

• GPT Image 2.5 Sunburst reprodujo la prenda más fielmente en ambas pruebas, a aproximadamente una cuarta parte del precio de los modelos de prueba virtual. Es la contrapartida de API más cercana al modelo que hay detrás de esa función de ChatGPT. El coste es que debes escribir un prompt, y el modelo puede modificar libremente cualquier cosa que el prompt no fije.
• Google Virtual Try-On es el más sencillo de integrar: dos URL de imagen, sin prompt, y el rostro y la postura de la persona se mantienen intactos. Coloca la prenda de forma limpia, pero recortó la primera letra del estampado del pecho.
• FASHN Try-On v1.6 es el modelo especializado con más controles, con los campos category, photo-type, mode y seed. En nuestra camisa de exterior de largo hasta la cadera, devolvió dos veces consecutivas un largo de prenda recortado.
• FIBO Edit 1.5 renderizó el estampado del pecho de forma más limpia que los otros tres. Su precio es de $0,0575, aproximadamente la mitad que los modelos especializados, pero desplaza el rostro de la persona más que los demás modelos.

Qué es y qué no es la prueba virtual de ChatGPT

Según los reportes del lanzamiento en octubre de 2026, el botón Try on aparece en las páginas de productos de ropa y accesorios dentro de ChatGPT. Tomas o subes una foto de referencia, ChatGPT la guarda para futuras pruebas virtuales, y la imagen se genera con ChatGPT Images 2.5. También puedes subir una captura de pantalla de un producto y solicitar la prueba virtual. Los reportes señalan que los resultados pueden no reflejar con precisión el ajuste o la talla.

Para los desarrolladores, faltan tres cosas:

1. No hay interfaz. La función existe en el producto de chat. Tu tienda no puede enviarle la foto de un comprador y la imagen de un SKU y recibir una URL.
2. No hay un contrato fijo. Que la prenda se coloque correctamente depende de la conversación, no de campos de entrada con nombre.
3. No hay una ruta de procesamiento por lotes. Un equipo de producto que quiera mostrar 500 SKU con tres modelos de marca necesita colas, reintentos y callbacks.

En el lado de la API, el modelo de imagen de ese mismo lanzamiento se ofrece como gpt-image-2.5-flare y gpt-image-2.5-sunburst. Si quieres saber cómo se asignan los nombres de producto a estos ID, consulta ChatGPT Images 2.5 frente a Flare y Sunburst. En las pruebas siguientes usamos la línea de edición de Sunburst, ya que es el nivel orientado a ediciones precisas.

Cómo probamos

Generamos dos pares de entradas originales con gpt-image-2/text-to-image, las subimos a URL públicas y luego enviamos exactamente los mismos pares de entradas a los cuatro modelos.

• Par de entradas 1, prueba de estructura. Una mujer con camiseta blanca y vaqueros azul claro, y una camisa de exterior de pana de color amarillo mostaza con rayas anchas extendida sobre una superficie: cinco botones, un bolsillo en el pecho con solapa, cuello de punta, bajo curvado que cae por debajo de la cintura.
• Par de entradas 2, prueba de estampado. Un hombre con camiseta gris y pantalones casuales oliva, y una camiseta de color blanco roto extendida sobre una superficie con un sol naranja y las letras mayúsculas en azul marino SUNDAY CLUB.

La configuración se mantuvo constante en todas las ejecuciones:

• FASHN: category: "tops", garment_photo_type: "flat-lay", mode: "quality", output_format: "jpeg", seed: 42 (más una ejecución repetida con seed: 7)
• Google: solo person_image_url + product_image_url
• FIBO: dos imágenes en image_urls, una instrucción, aspect_ratio: "2:3"
• GPT Image 2.5 Sunburst: dos imágenes en image_urls, aspect_ratio: "2:3", resolution: "1K"

Cada tarea tardó entre 25 y 60 segundos desde el envío hasta el resultado, medido con un intervalo de sondeo de 5 segundos. Las 12 tareas se completaron correctamente en el primer envío.

Prueba 1: camisa de exterior de pana (estructura y longitud)

De izquierda a derecha: FASHN, Google, FIBO, GPT Image 2.5 Sunburst. A continuación, el torso superior a resolución original, mostrando primero la foto original de la persona:

Lo que observamos:

• Los cuatro modelos conservaron el amarillo mostaza, los botones oscuros, el cuello de punta y el único bolsillo con solapa en el pecho izquierdo de la persona. Ninguno colocó el bolsillo en el lado equivocado.
• FASHN acortó la camisa de exterior hasta convertirla en un top corto. Las rayas de pana se renderizaron, pero la longitud de la prenda era incorrecta.
• Google conservó la camisa de largo completo, con el bajo cayendo a la altura de la cintura de los vaqueros y un poco de volumen. El rostro, el cabello y la postura son los más cercanos a la foto de entrada.
• FIBO generó una camisa de aspecto razonable, con rayas más suaves. El rostro presenta un desplazamiento evidente: la línea de la mandíbula, el volumen del cabello y la expresión difieren de la entrada.
• GPT Image 2.5 Sunburst fue el único modelo que reprodujo el bajo curvado que cae por debajo de la cintura, coherente con la imagen extendida, con las rayas anchas claramente visibles y el rostro intacto.

¿Es repetible?

Volvimos a ejecutar FASHN con una seed diferente y GPT Image 2.5 Sunburst con el mismo prompt:

FASHN con seed: 7 volvió a producir un resultado demasiado corto: la parte inferior de la camisa quedaba abierta y dejaba el abdomen al descubierto. GPT Image 2.5 Sunburst devolvió resultados casi idénticos en ambas veces. Con esta prenda, el problema de longitud de FASHN es sistemático, no casual.

Prueba 2: camiseta estampada (logotipo y texto)

El estampado es donde suelen fallar las pruebas virtuales, así que aquí está el primer plano (FASHN, Google, FIBO, GPT Image 2.5 Sunburst con nuestro prompt específico y Sunburst con el prompt genérico):

• FASHN amplió tanto el estampado que la S de SUNDAY llega al lateral de la camiseta y queda parcialmente cortada.
• Google colocó el estampado a un tamaño natural, pero la primera letra también cae sobre el pliegue lateral y queda parcialmente oculta.
• FIBO renderizó limpiamente el sol y el texto completo SUNDAY CLUB, con un tamaño cercano al de la imagen extendida.
• GPT Image 2.5 Sunburst renderizó correctamente el texto completo en ambas ejecuciones, pero el estampado es más pequeño y está situado más alto que en la imagen original.
• Los cuatro modelos conservaron la mano en el bolsillo, los pantalones oliva y el fondo beige.

Si el estampado del pecho, el logotipo o el texto son importantes para tu catálogo, añade una comprobación de calidad del estampado, elijas el modelo que elijas.

¿Necesitan los editores prompts detallados?

Nuestro prompt de Sunburst describía los detalles de cada prenda (posición del bolsillo, ancho de las rayas, disposición del estampado). Para comprobar hasta qué punto esto es importante, volvimos a ejecutar ambos pares de entradas con un prompt genérico que nunca menciona la prenda:

La imagen 1 es una persona. La imagen 2 es una foto de producto de una prenda. Haz que la persona de la imagen 1 lleve la prenda de la imagen 2. Mantén sin cambios el rostro, el cabello, el cuerpo, la postura, el resto de la ropa, el fondo y la iluminación de la persona. Reproduce con exactitud el color, el tejido, la longitud, los detalles estructurales y cualquier estampado o texto de la prenda. Foto de catálogo realista.

Ambos resultados son defendibles: la camisa de exterior conservó el bajo curvado y el estampado está bien escrito. Así que un prompt de plantilla puede servir para todo un catálogo y no necesitas escribir prompts para cada SKU. El riesgo es distinto: como el modelo de edición modifica lo que el prompt no protege, mantén la lista de "mantener sin cambios" en cada solicitud.

El prompt detallado que usamos para el par de entradas 1 es el siguiente:

La imagen 1 es una persona. La imagen 2 es una camisa de exterior de pana de color amarillo mostaza. Haz que la persona de la imagen 1 lleve la camisa de exterior de la imagen 2, abotonada. Mantén su rostro, cabello, complexión, postura, vaqueros, zapatillas deportivas, fondo e iluminación exactamente iguales a los de la imagen 1. Reproduce con exactitud la camisa de exterior: el mismo amarillo mostaza, pana con rayas anchas, botones marrón oscuro, un bolsillo con solapa abotonada en su pecho izquierdo, cuello de punta, mangas largas con puños. Foto de catálogo realista de cuerpo entero, sin texto.

Invocarlos mediante una única API

Los cuatro modelos usan el mismo flujo asíncrono: POST /v1/tasks, y luego sondea GET /v1/tasks/{taskId} hasta que status sea success o fail. Solo cambia el objeto input. El contrato completo, incluidos callbacks e Idempotency-Key, está en la documentación de la API asíncrona.

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": "Haz que la persona de la imagen 1 lleve la prenda de la imagen 2."
                       "Mantén sin cambios el rostro, la postura, el resto de la ropa y el fondo.",
        "aspect_ratio": "2:3",
    },
    "gpt-image-2.5-sunburst/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "prompt": "La imagen 1 es una persona. La imagen 2 es una foto de producto de una prenda."
                  "Haz que la persona de la imagen 1 lleve la prenda de la imagen 2."
                  "Mantén sin cambios el rostro, el cabello, el cuerpo, la postura, el resto de la ropa, "
                  "el fondo y la iluminación.",
        "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"]   # URL temporal: descárgala y guárdala
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(5)

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

Tres detalles que encontramos en nuestras ejecuciones:

• La línea de edición rechaza quality. Enviar "quality": "medium" a gpt-image-2.5-sunburst/image-to-image devuelve 400 INVALID_REQUEST: additional properties 'quality' not allowed. Usa solo resolution y aspect_ratio para controlar el tamaño de salida.
• Las URL de salida caducan. Las URL de resultado son temporales (expireAt en la salida de la tarea), así que descarga las imágenes y guárdalas en tu propio almacenamiento.
• Las entradas deben ser URL http(s) públicas. Los cuatro modelos reciben URL de imagen, no base64. Sube primero la foto del comprador y luego envía la tarea.

Cómo elegir

Elige un modelo especializado de prueba virtual (FASHN o Google) en los siguientes casos:

• El comprador o el personal de operaciones envía imágenes y no quieres que haya ningún prompt en el flujo
• Quieres que el rostro y la postura se mantengan lo más cerca posible de la entrada (Google es el más fuerte en esto)
• Necesitas controles explícitos de category y garment-photo-type, y seed para repeticiones reproducibles (FASHN)

Elige un editor con múltiples referencias (GPT Image 2.5 Sunburst o FIBO) en los siguientes casos:

• La estructura y la longitud de la prenda importan más que la sencillez sin prompt (Sunburst fue el más fuerte en nuestra prueba de la camisa de exterior)
• El coste por imagen es el factor decisivo: Sunburst cuesta $0,025 a 1K, FIBO $0,0575, frente a aproximadamente $0,107 de los modelos especializados
• Quieres estilismos que vayan más allá de un simple cambio de ropa en la misma llamada, por ejemplo abotonado o abierto, metido o por fuera, o cambiar el fondo
• Los estampados y el texto deben seguir siendo legibles (FIBO y Sunburst escribieron correctamente el estampado completo en nuestras pruebas)

Quédate en ChatGPT en el siguiente caso: eres una sola persona y solo quieres ver cómo te queda un producto. No necesitas ningún código.

Preguntas frecuentes

¿ChatGPT tiene una API de prueba virtual?

No. A noviembre de 2026, la prueba virtual es una función de la aplicación ChatGPT que se activa desde una página de producto o subiendo una imagen. El modelo de imagen de ese mismo lanzamiento está disponible como modelo de API, pero no hay una interfaz específica de prueba virtual con campos de persona y prenda. En HiAPI, puedes invocar estos modelos de imagen o los modelos especializados de prueba virtual a través de /v1/tasks.

¿Qué modelo se parece más al que usa ChatGPT?

La prueba virtual de ChatGPT funciona sobre ChatGPT Images 2.5. Los modelos de API de ese lanzamiento son GPT Image 2.5 Flare y Sunburst. Probamos la línea de imagen a imagen de Sunburst, que recibe varias imágenes de referencia más un prompt.

¿Son mejores los modelos especializados de prueba virtual que los editores de imágenes generales?

No necesariamente. En nuestras dos pruebas, los modelos especializados fueron más fáciles de invocar y mantuvieron el rostro más cerca de la entrada; GPT Image 2.5 Sunburst reprodujo con más fidelidad la longitud de la prenda y el estampado completo. Antes de decidir, ejecuta ambos tipos por separado con tus propias prendas. El coste de una imagen de cada tipo está muy por debajo de $0,25.

¿Cuánto cuesta cada prueba virtual?

A fecha de 2026-11-03, en 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 imagen a imagen $0,025 a 1K ($0,04 a 2K, $0,06 a 4K). Consulta la página de precios para conocer las tarifas actuales. Las tareas fallidas no se cobran.

¿Puedo mantener el rostro y la postura del comprador sin cambios?

Los modelos especializados están diseñados precisamente para eso, y Google fue el más cercano en nuestras ejecuciones. Con los editores, indícalo explícitamente ("mantén sin cambios el rostro, el cabello, el cuerpo, la postura y el fondo"). Nuestro prompt genérico con Sunburst mantuvo bien el rostro, mientras que FIBO se desvió más.

¿Se puede usar para prendas inferiores o vestidos?

El category de FASHN acepta valores para prendas superiores, inferiores y de una pieza. La página del modelo de Google enumera prendas superiores, chaquetas y vestidos como candidatos adecuados. Aquí solo probamos prendas superiores.

Conclusión

La prueba virtual de ChatGPT es una función para compradores. Para un producto necesitas una interfaz, y en HiAPI tienes cuatro interfaces fiables con una sola clave. Si quieres el mínimo trabajo de integración, empieza con Google Virtual Try-On. Si quieres controles explícitos y una seed reproducible, usa FASHN Try-On v1.6. Si la fidelidad de la prenda y el coste son lo más importante, prueba GPT Image 2.5 Sunburst con un prompt de plantilla. Envía las mismas dos imágenes a dos de estos modelos y deja que tu prenda decida. Antes de escribir código, puedes probarlos en el Playground de la página de cualquiera de los modelos.

Lecturas relacionadas

• FASHN Try-On v1.6 frente a Google Virtual Try-On
• API de FASHN Try-On v1.6: solicitudes curl y Python que funcionan
• Guía de la API de Google Virtual Try-On