Guide d'utilisation
muse-image-1.0/text-to-image pour les images produits e-commerce : guide de workflow pour développeurs
Templates de prompts pour les angles et l'éclairage, choix des dimensions et requêtes par lots avec l'API HiAPI
Sur cette page
Pourquoi text-to-image convient aux charges de travail des produits e-commerce
Un catalogue est par nature répétitif : le même produit, photographié sous quelques angles, avec le même éclairage, sur le même fond, décliné en plusieurs formats. Cette répétitivité est précisément ce que les modèles text-to-image savent gérer — non pas pour remplacer la prise de vue en studio des produits phares, mais pour couvrir à moindre coût et de manière cohérente la longue traîne du catalogue.
Les cas où la génération apporte une réelle valeur :
- Variantes en grand volume. Déclinaisons de couleurs, légères différences de SKU et refontes d'emballage, lorsque le coût d'une nouvelle prise de vue dépasse la valeur de l'image elle-même.
- Visuels provisoires et pré-lancement. Pages de listing, supports de revue interne et tests A/B qui ont besoin de contenus crédibles avant l'arrivée des photos finales.
- Exploration de composition. Tester un rendu vue de dessus à plat contre une vue trois-quarts avant d'engager un photographe et une plage de studio.
Les cas inadaptés : allégations réglementées, textes d'emballage qui doivent être parfaitement exacts, et images principales où les clients compareront la texture fine des matériaux. Ceux-là nécessitent encore un appareil photo et une personne.
Pour le développeur, le modèle mental est une chaîne de traitement. Une description produit structurée en entrée, un template de prompt rendu, le modèle qui renvoie une ou plusieurs images, puis un contrôle QA qui décide de ce qui peut être publié en boutique. Chaque section ci-dessous explique comment rendre cette chaîne banale et reproductible, plutôt que de viser l'intelligence.

Appeler muse-image-1.0/text-to-image via HiAPI
Toutes les requêtes passent par la même interface HiAPI, de sorte qu'il suffit de s'authentifier une fois et de conserver un seul client pour tous les modèles appelés. L'identifiant du modèle est muse-image-1.0/text-to-image ; votre requête transporte le prompt, le choix des dimensions de sortie et toute option de génération ponctuelle que vous souhaitez figer.
Sur le plan structurel, une génération unique consiste à : construire la charge utile de la requête, l'envoyer en POST via le client HiAPI, lire l'objet de résultat renvoyé et persister la référence de l'image avec l'ID produit auquel elle appartient. Deux habitudes à prendre dès le premier appel :
- Conserver les prompts dans des variables, pas en ligne dans la requête. Vous les réutiliserez et les comparerez des centaines de fois.
- Journaliser le prompt exact rendu pour chaque sortie. Trois semaines plus tard, quand une image semblera problématique, le prompt sera votre seul élément de débogage.
import os
from hiapi import HiAPI
client = HiAPI(api_key=os.environ["HIAPI_API_KEY"])
prompt = render_product_prompt(product, angle="three-quarter", light="softbox-left")
result = client.images.generate(
model="muse-image-1.0/text-to-image",
prompt=prompt,
size="1024x1024",
)
save_asset(product_id=product.id, angle="three-quarter", result=result)
Traitez size comme faisant partie du template, et non comme une réflexion après coup — le même prompt peut recomposer le sujet différemment selon le rapport d'aspect. Les sections suivantes couvrent à la fois la structure du prompt et les décisions de dimensions.

Templates de prompts pour des angles de prise de vue cohérents
La cohérence d'un catalogue vient d'un squelette de prompt fixe où seuls quelques emplacements changent. Si chaque prompt est écrit de zéro, chaque image dérivera. Construisez un template par type de prise de vue et gardez le langage descriptif de la caméra identique octet par octet pour tous les produits.
Un squelette exploitable :
{subject_block}. {camera_block}. {light_block}. {background_block}. {style_block}
Seul subject_block varie selon le produit. camera_block est une constante par angle :
- Image principale / vue trois-quarts :
product photographed at a 45-degree three-quarter view, slightly above eye level, full product in frame with even margins - Élévation frontale :
straight-on front view, camera at product mid-height, centered, no perspective tilt - Vue de dessus à plat :
directly overhead top-down view, product centered, flat lay composition - Gros plan détaillé :
close-up macro view of the product surface, shallow depth of field
Deux règles font fonctionner cela en pratique :
- Indiquez l'angle deux fois. Un angle explicite combiné à une clause de cadrage (comme "full product in frame with even margins") est plus fiable que l'un ou l'autre seul.
- Évitez les références relatives. "Same angle as the last image" n'a aucun sens pour un modèle text-to-image ; chaque prompt doit tenir seul.
Conservez le template sous contrôle de version avec le code de rendu. Quand vous modifiez camera_block, incrémentez le numéro de version et régénérez un petit échantillon avant de commiter — un changement de formulation est un changement pour tout le catalogue.
Templates de prompts pour l'éclairage et le fond
L'éclairage et le fond sont ce qui fait qu'un ensemble d'images générées ressemble à une même séance de prise de vue plutôt qu'à un tas d'images sans rapport. Tous deux font partie des constantes du template et doivent préciser la direction et la douceur.
Un langage d'éclairage qui se transfère de façon fiable :
- Direction :
key light from camera left,light from upper right,soft overhead light. La direction est le levier de cohérence le plus intuitif — verrouillez-la pour chaque type de prise de vue. - Qualité :
soft diffused light,large softbox, gentle shadows,hard directional light with defined shadow edge. - Débouchage et lumière parasite :
subtle fill from the right, low-contrast shadows,clean highlight on the top surface.
Langage de fond :
- Studio sans raccord :
on a seamless light grey studio backdrop, no horizon line, soft contact shadow beneath the product. - Plan de travail lifestyle :
resting on a matte stone surface, softly out-of-focus neutral background. - Prêt pour le détourage :
isolated on a plain white background, product fully in frame, generous margins for cropping.
Deux rappels pratiques. D'abord, plus un produit a de surfaces et de reflets, plus vous devez décrire précisément l'éclairage, car la position des hautes lumières est l'aspect du produit. Ensuite, ne mélangez pas les fonds au sein d'un même type de prise de vue — un ensemble de vignettes de grille doit partager le même fond, sinon la grille semblera assemblée à partir de trois fournisseurs différents. Gardez ces blocs figés en constantes et ne les changez que volontairement.
Choisir les dimensions de sortie et le rapport d'aspect
Avant de traiter en lot, décidez des dimensions en fonction du point de diffusion, car relancer avec une autre taille est une régénération complète, pas un redimensionnement. Commencez par associer le point de diffusion à un rapport d'aspect, puis à la taille en pixels réellement affichée par le front-end.
- Grilles et tuiles de catégorie : carré. Les recadrages des grilles produits sont imprévisibles, donc une composition carrée avec des marges généreuses s'adapte à la plupart des mises en page de tuiles.
- Pages de détail produit : carré ou 4:3, dimensionné pour la visionneuse zoom plutôt que pour la vignette. Si la page de détail recadre sur un ratio fixe, correspondez-le exactement, ne luttez pas contre dans le CSS.
- Bannières et bandeaux de mise en avant : format large, avec une zone de sécurité planifiée explicitement. Demandez un produit centré avec de l'espace négatif de chaque côté pour laisser de la place au texte marketing.
- E-mail et réseaux sociaux : correspondre au ratio natif de la plateforme ; régénérer coûte moins cher que d'ajouter du remplissage par bandes.
Quelques règles empiriques :
- Choisissez une dimension canonique par point de diffusion et réutilisez-la. Mélanger plusieurs tailles dans une même grille de vignettes produit des différences de qualité visibles.
- N'agrandissez pas une image générée pour remplir un emplacement plus grand. Générez plus grand puis réduisez.
- Revérifiez la composition après un changement de ratio. Une image principale à 45 degrés composée pour un carré peut perdre la base du produit dans un recadrage large ; ajustez en conséquence la clause de cadrage dans
camera_block. - Conservez les dimensions dans l'enregistrement de la tâche. Lors d'une revue ultérieure des sorties, la taille fait partie du contexte, ce n'est pas du bruit de métadonnées.
Requêtes par lots et traitement des résultats élément par élément
À l'échelle d'un catalogue, l'unité de travail est la tâche, pas la requête : un produit, un type de prise de vue, une dimension, un prompt rendu. Modélisez d'abord les tâches comme des données et envoyez-les via une file d'attente bornée, afin qu'un échec soit une ligne à relancer, et non un après-midi perdu.
Une boucle robuste fait quatre choses :
- Rendre le prompt de façon déterministe : à partir du template et des champs produit, et stocker la chaîne rendue sur la tâche.
- Limiter la concurrence : à ce que votre compte et votre stockage en aval peuvent supporter ; ne lancez pas tout le catalogue en une fois.
- Traiter les résultats élément par élément. Les opérations par lots réussissent ou échouent individuellement, donc écrivez chaque résultat sous son
job_id, ne supposez jamais que le lot entier est atomique. - Ne réessayez avec backoff que les erreurs transitoires. Les erreurs de validation — prompt mal formé, dimension non prise en charge — échoueront de la même façon à chaque tentative, donc classez avant de réessayer.
for job in queue.fetch_pending(limit=50):
try:
result = client.images.generate(
model="muse-image-1.0/text-to-image",
prompt=job.prompt,
size=job.size,
)
db.record_success(job.id, result)
except TransientError as e:
queue.requeue(job.id, backoff=e.retry_after)
except ValidationError as e:
db.record_failure(job.id, reason=str(e))
Conservez une colonne d'état par tâche (pending, done, failed) et prévoyez une vue de lettres mortes pour les échecs. À la fin d'un lot de tâches, rapportez les comptes par type de prise de vue et par dimension, pas seulement un total — c'est là que se cachent les régressions.
Checklist QA avant de publier des images générées
Les images générées nécessitent un point de contrôle, et ce point de contrôle doit être une checklist derrière laquelle quelqu'un se porte garant. Les vérifications automatisées attrapent les problèmes bon marché ; les relecteurs attrapent les problèmes coûteux.
Vérifications automatisées avant revue :
- Rapport d'aspect et dimensions en pixels corrects pour le point de diffusion visé.
- Aucune sortie visiblement corrompue ; le fichier s'ouvre et se décode correctement.
- Les couleurs correspondent à celles attendues lorsque le prompt spécifie une couleur de produit.
- Des marges sont présentes dans les tuiles de grille pour la tolérance de recadrage.
Revue humaine avant publication :
- Le produit ressemble-t-il à ce produit — forme, proportions, quincaillerie et finition ?
- Y a-t-il du texte, des logos ou des mentions d'emballage inventés ? Le texte généré est un point de défaillance courant, et un risque juridique en boutique.
- L'éclairage et le fond sont-ils cohérents avec le reste du groupe à la taille vignette, et pas seulement en pleine taille ?
- Absence d'objets parasites, de composants supplémentaires ou de reflets illogiques dans l'image.
- Les allégations marketing et les étiquettes réglementées n'ont pas été altérées par la génération ; ces images doivent passer par le flux photographique.
Enregistrez le relecteur et la version du prompt pour chaque élément approuvé. En cas de plainte client ou de demande de retrait, cette traçabilité vous permet de retrouver en une fois toutes les images concernées — et de régénérer ou retirer l'ensemble.
Commencez par un type de prise de vue, une dimension et un petit échantillon de produits, exécutez-les via l'interface HiAPI, et n'étendez le template qu'une fois les sorties validées par la revue.
Articles similaires
Voir tous les articles →-
Guide d'utilisation
Guide de démarrage avec gpt-6.2-sol : limites de capacité, intégration API et tarification par token
Points de décision et de pratique pour l'intégration par les équipes d'ingénierie
-
Guide d'utilisation
Guide de prise en main de gpt-6.2-astra : limites de capacités du modèle texte, points d'intégration et maîtrise des coûts
-
Guide d'utilisation
Guide de prise en main de Tripo H3.1 : trois modes d'entrée, paramètres et choix tarifaires
Décision d'intégration et maîtrise des coûts de la génération 3D pour les développeurs