FASHN Try-On v1.6 vs Google Virtual Try-On : à prix égal, comment choisir

FASHN Try-On v1.6 et Google Virtual Try-On coûtent presque le même prix sur HiAPI : 0,1072 $ contre 0,1075 $ par image. Si vous voulez contrôler la catégorie de vêtement, le niveau de rapidité/qualité, le type d'image de vêtement, ou reproduire exactement la même image avec une seed, choisissez FASHN Try-On v1.6 ; si vous ne voulez que deux champs d'image fixes, une requête simple, et que la sortie conserve la taille originale de l'image de la personne, choisissez Google Virtual Try-On.

Les deux modèles sont déjà en ligne : page du modèle FASHN Try-On v1.6, page du modèle Google Virtual Try-On. Les nouveaux utilisateurs reçoivent 200 crédits à l'inscription ; un essai d'essayage coûte 214,4 crédits, il suffit d'en ajouter un peu pour lancer la première image.

Les différences en un tableau

	FASHN Try-On v1.6	Google Virtual Try-On
Champs d'entrée	model_image + garment_image	person_image_url + product_image_url
Catégorie de vêtement et type d'image	category au choix parmi quatre (tops / bottoms / one-pieces / auto), garment_photo_type distingue photo de mannequin et photo à plat	Aucun des deux, la catégorie et la forme de l'image sont portées par les deux images elles-mêmes
Rapidité / niveau de qualité	mode trois niveaux : performance / balanced / quality	Aucun
Modération de contenu	moderation_level trois niveaux : none / permissive / conservative	Aucun
Analyse du corps et reproductibilité	Option segmentation_free, seed fige les conditions aléatoires	Aucun
Images par appel / format de sortie	1 image par appel, PNG ou JPEG	1 image par appel (num_images fixé à 1), PNG
Taille de sortie	Image de la personne réduite proportionnellement au grand côté 1296 : 1086×1448 → 972×1296	Égale à la taille originale de l'image de la personne : 1086×1448 → 1086×1448
Prix par image	0,1072 $ (214,4 crédits)	0,1075 $ (215 crédits)

L'écart de prix est de 0,0003 $ : inutile de regarder le prix pour choisir. La frontière est du côté du contrôle : FASHN expose la catégorie, le mode, le type d'image, la modération et la seed comme champs, Google ne garde que deux champs d'image et un nombre d'images fixe.

Mêmes entrées, une génération de chaque côté

L'image de la personne est une image verticale 3:4 de 1086×1448, et l'image de vêtement est une photo produit d'une mannequin portant une robe de mariée en dentelle.

FASHN Try-On v1.6	Google Virtual Try-On
one-pieces + quality + model + PNG, sortie 972 × 1296	Deux champs d'image seulement, sortie 1086 × 1448

Même image de personne, même image de robe de mariée, une génération de chaque côté.

Première différence : la taille de sortie. Google renvoie 1086×1448, exactement comme l'image de la personne ; FASHN renvoie 972×1296, le grand côté étant ramené à 1296. Seconde différence : l'image elle-même. La densité de dentelle et les plis de la jupe diffèrent entre les deux versions de la robe, et l'expression du visage ainsi que la posture des mains présentent aussi de légères variations.

En utilisant la même image de personne et la même image de vêtement, et en lançant une fois sur chaque page de modèle, vous retrouverez ces deux différences sur vos propres contenus.

Aucun des deux modèles n'a de champ prompt : le résultat de l'essayage repose entièrement sur les deux images. Le col, la longueur des manches, la présence complète ou non de la jupe dans le cadre de l'image de vêtement déterminent directement si le résultat est exploitable. FASHN ne remplace que le vêtement ; le fond, la coiffure et les accessoires restent en place, donc concentrez votre vérification sur le vêtement lui-même.

La taille de sortie suit l'image de la personne. FASHN ramène le grand côté à 1296 ; si l'image de la personne est plus petite que cette valeur, elle est renvoyée telle quelle, par exemple une image de personne de 768×1152 donne une sortie de 768×1152. Si vous devez superposer le résultat à l'original, ou si le gabarit de la page produit compose selon les pixels de l'image de la personne, la sortie à taille originale de Google évite une étape de redimensionnement et d'alignement.

Deuxième jeu : t-shirt blanc à plat, une génération de chaque côté

Même image de personne, avec pour image de vêtement une photo produit à plat (côté FASHN, garment_photo_type réglé sur flat-lay), une exécution de chaque côté :

FASHN Try-On v1.6	Google Virtual Try-On
tops + balanced + flat-lay + PNG, sortie 972 × 1296	Deux champs d'image seulement, sortie 1086 × 1448

Même image de personne, même t-shirt blanc à plat, une génération de chaque côté.

Ce jeu change la forme de l'image de vêtement : le précédent était une photo portée par une mannequin, celui-ci est une photo à plat, et les deux modèles doivent eux-mêmes déterminer qu'il s'agit d'un haut. La différence visible est la longueur du vêtement : avec FASHN, le t-shirt descend sous la taille, avec Google, il s'arrête au-dessus de la taille ; le fond et la pose de la personne sont identiques des deux côtés, et la taille de sortie reste 972×1296 contre 1086×1448.

Comment choisir selon le cas d'usage ?

• Production en masse de pages produit e-commerce : pour un flux templatisé à champs fixes, utilisez Google, deux images remplies et c'est parti ; pour ajuster séparément hauts, bas et combinaisons, utilisez category de FASHN.
• Catalogue multi-catégories : quand hauts, pantalons et robes se mélangent, category associé à garment_photo_type clarifie en une fois la catégorie et la forme de l'image de vêtement, en déclarant séparément les photos de mannequin et les photos à plat.
• Besoin de reproductibilité : avec la même seed et les mêmes entrées, FASHN retrouve les mêmes conditions aléatoires ; Google n'a pas de champ seed.
• Format de livraison strict : pour du JPEG direct, choisissez FASHN et remplissez output_format avec jpeg ; pour du PNG uniquement, les deux produisent du PNG.
• Gabarit fixe existant : si la mise en page est calée sur les pixels originaux de l'image de la personne, choisissez Google, la sortie n'a pas besoin d'être redimensionnée.
• Vous voulez seulement envoyer deux images sans gérer de paramètres : choisissez Google, l'entrée se résume à deux URL plus num_images: 1.

Passer de l'un à l'autre est-il compliqué ?

Non. Les deux modèles partagent POST https://api.hiapi.ai/v1/tasks et la même clé API ; ils renvoient tous deux un taskId, puis on interroge la tâche pour récupérer data.output[0].url.

Le basculement ne touche que deux endroits : model et input. Le prompt n'a pas à être migré. Les noms de champs changent : model_image et garment_image de FASHN correspondent à person_image_url et product_image_url de Google. En passant de FASHN à Google, category, mode, garment_photo_type, moderation_level, seed et output_format n'ont pas de champ correspondant : supprimez-les entièrement ; en revenant, rajoutez-les selon vos besoins. Les trois niveaux de mode n'influencent pas la facturation : commencez par le balanced par défaut pour valider, puis ajustez.

Questions fréquentes

Quel est l'écart de prix entre les deux modèles ?

0,1072 $ contre 0,1075 $ par image, soit 0,0003 $ d'écart : inutile de regarder le prix pour choisir.

FASHN peut-il générer plusieurs images à la fois ?

Une image par appel. L'interface est fermée : les champs comme num_samples ou num_images seront rejetés ; pour plusieurs candidats, soumettez plusieurs requêtes.

Google a-t-il des catégories et des niveaux de qualité ?

Non. Il n'accepte que person_image_url, product_image_url et num_images: 1 ; la catégorie de vêtement et le style visuel sont portés par les deux images.

Pour voir la différence tout de suite, ouvrez la page du modèle FASHN Try-On v1.6, téléversez une image de personne et une image de vêtement pour générer une première image ; puis remplacez model par google-virtual-try-on, les champs par person_image_url et product_image_url, et générez une seconde image avec les mêmes deux images. Comparez côte à côte avant de décider lequel utiliser.