Alternatives au essayage virtuel de ChatGPT : 4 API d'essayage testées

Le 1er octobre 2026, ChatGPT a ajouté un bouton Try on (essayage) pour les vêtements et accessoires. Vous téléversez un selfie, vous choisissez un article, et ChatGPT Images 2.5 génère le rendu de vous portant cet article. C'est très pratique pour les acheteurs. Mais ce n'est pas quelque chose que vous pouvez appeler depuis votre boutique, votre application ou votre pipeline de catalogue : il n'existe pas d'API d'essayage, pas d'entrée fixe personne + vêtement, et le résultat dépend de la façon dont la conversation interprète votre demande.

Si vous devez implémenter la même fonctionnalité sous forme d'API, vous avez le choix entre deux familles de modèles : les modèles d'essayage dédiés, qui prennent strictement une photo de personne et une photo de vêtement ; et les éditeurs multi-images de référence, qui prennent deux images plus une instruction textuelle. Avec les mêmes deux paires d'entrées, nous avons exécuté quatre modèles HiAPI en ligne appartenant aux deux familles, soit 12 exécutions réelles de /v1/tasks au total, et nous présentons toutes les sorties ci-dessous.

Réponse rapide

	FASHN Try-On v1.6	Google Virtual Try-On	FIBO Edit 1.5	GPT Image 2.5 Sunburst (édition)
Page du modèle	fashn-tryon-v1.6	google-virtual-try-on	fibo-edit-1.5	gpt-image-2.5-sunburst
Type	Essayage dédié	Essayage dédié	Édition multi-références (1 à 4 images)	Édition multi-références
Prompt requis	Non	Non	Oui (instruction)	Oui (prompt)
Contrôles du vêtement	category, garment_photo_type, mode, seed	Aucun, seulement deux champs d'image	Formulation de l'instruction, plus seed	Formulation du prompt
Sortie de nos exécutions	832×1248 (identique à l'entrée)	832×1248 (identique à l'entrée)	768×1152	832×1248, 1K, 2:3
Prix par image (HiAPI, 2026-11-03)	0,1072 $	0,1075 $	0,0575 $	0,025 $ en 1K (0,04 $ en 2K, 0,06 $ en 4K)

Sur la base de ces 12 exécutions, notre conclusion en bref :

• GPT Image 2.5 Sunburst a reproduit le vêtement le plus fidèlement lors des deux tests, pour environ un quart du prix des modèles d'essayage. C'est la contrepartie API la plus proche du modèle derrière cette fonctionnalité de ChatGPT. Le prix à payer : vous devez rédiger un prompt, et le modèle est libre de modifier tout ce que le prompt ne verrouille pas.
• Google Virtual Try-On est le plus simple à intégrer : deux URL d'image, aucun prompt, et le visage ainsi que la posture de la personne restent intacts. Il place le vêtement proprement, mais a rogné la première lettre de l'impression sur la poitrine.
• FASHN Try-On v1.6 est le modèle dédié offrant le plus de contrôles, avec les champs category, photo-type, mode et seed. Sur notre surchemise à hauteur de hanches, il a renvoyé à deux reprises une longueur raccourcie.
• FIBO Edit 1.5 a rendu l'impression sur la poitrine le plus proprement des quatre. À 0,0575 $, soit environ la moitié du prix des modèles dédiés, il dévie toutefois davantage le visage que les autres modèles.

Ce qu'est et n'est pas l'essayage de ChatGPT

D'après les articles parus lors du lancement en octobre 2026, le bouton Try on apparaît sur les pages produits de vêtements et d'accessoires dans ChatGPT. Vous prenez ou téléversez une photo de référence, ChatGPT l'enregistre pour de futurs essayages, et l'image est générée par ChatGPT Images 2.5. Vous pouvez aussi téléverser une capture d'écran d'un article et demander un essayage. Les articles précisent que les résultats peuvent ne pas refléter fidèlement l'ajustement ou la taille.

Pour les développeurs, trois choses manquent :

1. Pas d'API. La fonctionnalité existe dans le produit de chat. Votre boutique ne peut pas lui envoyer la photo d'un acheteur et l'image d'un SKU pour récupérer une URL.
2. Pas de contrat fixe. Le bon placement du vêtement dépend de la conversation, et non de champs d'entrée nommés.
3. Pas de traitement par lots. Une équipe produit qui veut faire présenter 500 SKU par trois mannequins de marque a besoin de files d'attente, de nouvelles tentatives et de callbacks.

Côté API, le modèle d'image de ce même lancement est proposé sous les identifiants gpt-image-2.5-flare et gpt-image-2.5-sunburst. Pour comprendre comment les noms de produits correspondent à ces identifiants, consultez ChatGPT Images 2.5 comparé à Flare et Sunburst. Dans les tests ci-dessous, nous avons utilisé la ligne d'édition de Sunburst, car c'est le niveau destiné aux éditions précises.

Notre méthode de test

Nous avons généré deux paires d'entrées originales avec gpt-image-2/text-to-image, les avons téléversées sur des URL publiques, puis avons envoyé exactement les mêmes paires d'entrées aux quatre modèles.

• Paire d'entrées 1, test de structure. Une femme portant un T-shirt blanc et un jean bleu clair, et une surchemise en velours côtelé jaune moutarde à larges rayures posée à plat : cinq boutons, une poche poitrine à rabat, un col pointu, un ourlet arrondi qui descend sous la taille.
• Paire d'entrées 2, test d'impression. Un homme portant un T-shirt gris et un pantalon décontracté olive, et un T-shirt blanc cassé posé à plat, imprimé d'un soleil orange et des lettres majuscules bleu marine SUNDAY CLUB.

Les réglages sont restés identiques d'une exécution à l'autre :

• FASHN : category: "tops", garment_photo_type: "flat-lay", mode: "quality", output_format: "jpeg", seed: 42 (plus une exécution répétée avec seed: 7)
• Google : uniquement person_image_url + product_image_url
• FIBO : deux images dans image_urls, une instruction, aspect_ratio: "2:3"
• GPT Image 2.5 Sunburst : deux images dans image_urls, aspect_ratio: "2:3", resolution: "1K"

Chaque tâche prend environ 25 à 60 secondes entre la soumission et le résultat, mesuré avec un intervalle d'interrogation de 5 secondes. Les 12 tâches ont toutes réussi à la première soumission.

Test 1 : surchemise en velours côtelé (structure et longueur)

De gauche à droite : FASHN, Google, FIBO, GPT Image 2.5 Sunburst. Voici le buste en résolution native, en commençant par la photo originale de la personne :

Nos observations :

• Les quatre modèles ont conservé le jaune moutarde, les boutons foncés, le col pointu et l'unique poche à rabat sur le sein gauche de la personne. Aucun n'a placé la poche du mauvais côté.
• FASHN a raccourci la surchemise en haut court. Les rayures du velours côtelé sont rendues, mais la longueur du vêtement est erronée.
• Google a conservé la chemise longue, l'ourlet tombant au niveau de la ceinture du jean, avec un léger gonflant. Le visage, les cheveux et la posture sont les plus proches de la photo d'entrée.
• FIBO a produit une chemise d'apparence plausible, aux rayures plus douces. Le visage est nettement décalé : la mâchoire, le volume des cheveux et l'expression diffèrent de l'entrée.
• GPT Image 2.5 Sunburst est le seul à avoir reproduit l'ourlet arrondi sous la taille, conformément à l'image posée à plat, avec des rayures larges clairement visibles et un visage intact.

Est-ce reproductible ?

Nous avons relancé FASHN avec un seed différent et GPT Image 2.5 Sunburst avec le même prompt :

FASHN avec seed: 7 a de nouveau produit une sortie trop courte : le bas de la chemise s'ouvre et laisse apparaître le ventre. GPT Image 2.5 Sunburst a renvoyé des résultats presque identiques les deux fois. Sur ce vêtement, le problème de longueur de FASHN est systématique, et non accidentel.

Test 2 : T-shirt imprimé (logo et texte)

L'impression est l'endroit où l'essayage échoue généralement, voici donc des gros plans (FASHN, Google, FIBO, GPT Image 2.5 Sunburst avec notre prompt spécifique, et Sunburst avec un prompt générique) :

• FASHN a tellement agrandi l'impression que le S de SUNDAY touche le côté du T-shirt et est partiellement coupé.
• Google a placé l'impression à une taille naturelle, mais la première lettre tombe elle aussi sur un pli latéral et est partiellement masquée.
• FIBO a rendu proprement le soleil et le SUNDAY CLUB complet, à une taille proche de l'image posée à plat.
• GPT Image 2.5 Sunburst a correctement rendu le texte complet lors des deux exécutions, mais l'impression est plus petite et placée plus haut que sur l'original.
• Les quatre modèles ont conservé la main dans la poche, le pantalon olive et le fond beige.

Si les impressions sur la poitrine, les logos ou le texte sont importants pour votre catalogue, ajoutez un contrôle qualité sur l'impression, quel que soit le modèle choisi.

Les éditeurs ont-ils besoin de prompts détaillés ?

Notre prompt Sunburst décrivait les détails de chaque vêtement (position des poches, largeur des rayures, disposition de l'impression). Pour vérifier l'importance de ces détails, nous avons relancé les deux paires d'entrées avec un prompt générique qui ne mentionne jamais le vêtement :

L'image 1 est une personne. L'image 2 est une photo produit d'un vêtement. Fais porter à la personne de l'image 1 le vêtement de l'image 2. Garde le visage, les cheveux, le corps, la posture, tous les autres vêtements, l'arrière-plan et l'éclairage de la personne inchangés. Reproduis précisément la couleur, la matière, la longueur, les détails de structure du vêtement ainsi que toute impression ou texte. Photo de catalogue réaliste.

Les deux résultats tiennent la route : la surchemise conserve son ourlet arrondi et l'impression est correctement orthographiée. Un prompt modèle peut donc servir pour tout un catalogue ; vous n'avez pas besoin de rédiger un prompt par SKU. Le risque est différent : comme le modèle d'édition modifie ce que le prompt ne protège pas, conservez la liste des éléments « à garder inchangés » dans chaque requête.

Voici le prompt détaillé que nous avons utilisé pour la paire d'entrées 1 :

L'image 1 est une personne. L'image 2 est une surchemise en velours côtelé jaune moutarde. Fais porter à la personne de l'image 1 la surchemise de l'image 2, boutonnée. Garde son visage, ses cheveux, sa morphologie, sa posture, son jean, ses baskets, l'arrière-plan et l'éclairage strictement identiques à l'image 1. Reproduis précisément la surchemise : le même jaune moutarde, le velours côtelé à larges rayures, les boutons brun foncé, une poche à rabat boutonnée sur son sein gauche, le col pointu, les manches longues avec poignets. Photo de catalogue réaliste en pied, sans texte.

Les appeler via une seule API

Les quatre modèles utilisent le même flux asynchrone : POST /v1/tasks, puis interrogation de GET /v1/tasks/{taskId} jusqu'à ce que status vaille success ou fail. Seul l'objet input change. Le contrat complet, y compris les callbacks et Idempotency-Key, est décrit dans la documentation de l'API asynchrone.

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": "Fais porter à la personne de l'image 1 le vêtement de l'image 2."
                       "Garde le visage, la posture, les autres vêtements et l'arrière-plan inchangés.",
        "aspect_ratio": "2:3",
    },
    "gpt-image-2.5-sunburst/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "prompt": "L'image 1 est une personne. L'image 2 est une photo produit d'un vêtement."
                  "Fais porter à la personne de l'image 1 le vêtement de l'image 2."
                  "Garde le visage, les cheveux, le corps, la posture, tous les autres vêtements,"
                  "l'arrière-plan et l'éclairage de la personne inchangés.",
        "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 temporaire : téléchargez et stockez
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(5)

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

Trois détails relevés lors de nos exécutions :

• La ligne d'édition rejette quality. Envoyer "quality": "medium" à gpt-image-2.5-sunburst/image-to-image renvoie 400 INVALID_REQUEST: additional properties 'quality' not allowed. Utilisez uniquement resolution et aspect_ratio pour contrôler la taille de sortie.
• Les URL de sortie expirent. Les URL de résultat sont temporaires (expireAt figure dans la sortie de la tâche), téléchargez donc les images et stockez-les dans votre propre stockage.
• Les entrées doivent être des URL http(s) publiques. Les quatre modèles reçoivent des URL d'image, pas du base64. Téléversez d'abord la photo de l'acheteur, puis soumettez la tâche.

Comment choisir

Choisissez un modèle d'essayage dédié (FASHN ou Google) si :

• des acheteurs ou des opérateurs soumettent des images et vous ne voulez aucun prompt dans le flux
• vous voulez que le visage et la posture soient aussi proches que possible de l'entrée (Google est le plus fort sur ce point)
• vous avez besoin de contrôles explicites de category et garment-photo-type, ainsi que d'un seed pour des relances reproductibles (FASHN)

Choisissez un éditeur multi-références (GPT Image 2.5 Sunburst ou FIBO) si :

• la structure et la longueur du vêtement comptent plus que la simplicité sans prompt (Sunburst a été le plus fort sur notre test de surchemise)
• le coût par image est un facteur décisif : Sunburst à 0,025 $ en 1K, FIBO à 0,0575 $, contre environ 0,107 $ pour les modèles dédiés
• vous voulez, dans le même appel, faire du styling au-delà du simple changement de vêtement, par exemple boutonné ou ouvert, rentré ou sorti, ou changer l'arrière-plan
• les impressions et le texte doivent rester lisibles (FIBO et Sunburst ont tous deux épelé l'impression complète dans nos tests)

Restez dans ChatGPT si : vous êtes une personne seule et voulez simplement voir l'effet d'un article sur vous. Vous n'avez besoin d'aucun code.

Questions fréquentes

ChatGPT dispose-t-il d'une API d'essayage virtuel ?

Non. En novembre 2026, l'essayage est une fonctionnalité de l'application ChatGPT, déclenchée depuis une page produit ou par téléversement d'image. Le modèle d'image de ce même lancement est disponible comme modèle API, mais il n'existe pas d'API d'essayage dédiée avec des champs personne et vêtement. Sur HiAPI, vous pouvez appeler ces modèles d'image ou les modèles d'essayage dédiés via /v1/tasks.

Quel modèle est le plus proche de celui utilisé par ChatGPT ?

L'essayage de ChatGPT fonctionne sur ChatGPT Images 2.5. Les modèles API de ce lancement sont GPT Image 2.5 Flare et Sunburst. Nous avons testé la ligne image-to-image de Sunburst, qui accepte plusieurs images de référence plus un prompt.

Les modèles d'essayage dédiés sont-ils meilleurs que les éditeurs d'image génériques ?

Pas nécessairement. Dans nos deux tests, les modèles dédiés étaient plus faciles à appeler et le visage était le plus proche de l'entrée ; GPT Image 2.5 Sunburst a reproduit plus fidèlement la longueur du vêtement et l'impression complète. Avant de décider, testez les deux familles avec vos propres vêtements. Une image de chaque coûte bien moins de 0,25 $.

Combien coûte chaque essayage ?

Au 2026-11-03, sur HiAPI : FASHN Try-On v1.6 à 0,1072 $, Google Virtual Try-On à 0,1075 $, FIBO Edit 1.5 à 0,0575 $, GPT Image 2.5 Sunburst image-to-image à 0,025 $ en 1K (0,04 $ en 2K, 0,06 $ en 4K). Consultez la page de tarification pour les tarifs actuels. Les tâches échouées ne sont pas facturées.

Puis-je préserver le visage et la posture de l'acheteur ?

Les modèles dédiés sont conçus pour cela, et Google était le plus proche dans nos exécutions. Avec un éditeur, précisez-le explicitement (« garde le visage, les cheveux, le corps, la posture et l'arrière-plan inchangés »). Notre prompt générique avec Sunburst a bien préservé le visage, tandis que FIBO a davantage dévié.

Est-ce utilisable pour les bas ou les robes ?

La valeur category de FASHN accepte les hauts, les bas et les pièces d'une seule pièce. La page du modèle Google liste les hauts, vestes et robes courants comme candidats appropriés. Ici, nous n'avons testé que des hauts.

Conclusion

L'essayage de ChatGPT est une fonctionnalité destinée aux acheteurs. Pour un produit, il vous faut une API, et HiAPI en propose quatre fiables avec une seule clé. Si vous voulez minimiser le travail d'intégration, commencez par Google Virtual Try-On. Si vous voulez des contrôles explicites et un seed reproductible, utilisez FASHN Try-On v1.6. Si la fidélité du vêtement et le coût priment, testez GPT Image 2.5 Sunburst avec un prompt modèle. Envoyez les deux mêmes images à deux de ces modèles et laissez votre vêtement décider. Avant d'écrire du code, vous pouvez essayer dans le Playground de la page de n'importe quel modèle.

À lire aussi

• FASHN Try-On v1.6 comparé à Google Virtual Try-On
• API FASHN Try-On v1.6 : requêtes curl et Python fonctionnelles
• Guide de l'API Google Virtual Try-On