Alternative al virtual try-on di ChatGPT: 4 API di try-on messe alla prova

Il 1° ottobre 2026 ChatGPT ha aggiunto un pulsante Try on (prova) per abbigliamento e accessori. Carichi un selfie, scegli un articolo e ChatGPT Images 2.5 genera un'immagine che ti mostra con quel capo addosso. Ottimo per chi acquista. Ma non è qualcosa che puoi chiamare dal tuo negozio, dalla tua app o dalla pipeline del tuo catalogo: non ha un endpoint di try-on, non ha input fissi per persona e capo, e il risultato dipende da come la conversazione interpreta la tua richiesta.

Se hai bisogno della stessa funzionalità come API, puoi scegliere tra due categorie di modelli: modelli di try-on dedicati, che accettano rigorosamente una foto della persona e una del capo; e editor multi-immagine di riferimento, che accettano due immagini più un'istruzione testuale. Abbiamo eseguito quattro modelli HiAPI online, due per categoria, con le stesse due coppie di input, per un totale di 12 esecuzioni reali di /v1/tasks, e mostriamo tutti gli output qui sotto.

Risposta rapida

	FASHN Try-On v1.6	Google Virtual Try-On	FIBO Edit 1.5	GPT Image 2.5 Sunburst (edit)
Pagina del modello	fashn-tryon-v1.6	google-virtual-try-on	fibo-edit-1.5	gpt-image-2.5-sunburst
Tipo	Try-on dedicato	Try-on dedicato	Edit multi-riferimento (1–4 immagini)	Edit multi-riferimento
Richiede prompt	No	No	Sì (instruction)	Sì (prompt)
Controlli sul capo	category, garment_photo_type, mode, seed	Nessuno, solo due campi immagine	Formulazione dell'istruzione, più seed	Formulazione del prompt
Output nelle nostre esecuzioni	832×1248 (come l'input)	832×1248 (come l'input)	768×1152	832×1248, 1K, 2:3
Prezzo per immagine (HiAPI, 2026-11-03)	$0,1072	$0,1075	$0,0575	$0,025 a 1K ($0,04 a 2K, $0,06 a 4K)

In base a queste 12 esecuzioni, la nostra breve conclusione è:

• GPT Image 2.5 Sunburst ha riprodotto il capo più fedelmente in entrambi i test, a circa un quarto del prezzo dei modelli di try-on. È la versione API più vicina al modello dietro la funzione di ChatGPT. Il prezzo da pagare è che devi scrivere il prompt, e il modello può modificare liberamente tutto ciò che il prompt non blocca.
• Google Virtual Try-On è il più semplice da integrare: due URL di immagini, nessun prompt, e il volto e la posa della persona restano intatti. Posiziona il capo in modo pulito, ma ha tagliato la prima lettera della stampa sul petto.
• FASHN Try-On v1.6 è il modello dedicato con più controlli, con i campi category, photo-type, mode e seed. Sulla nostra camicia esterna a lunghezza ai fianchi, ha restituito due volte consecutive una lunghezza accorciata.
• FIBO Edit 1.5 ha reso la stampa sul petto nel modo più pulito dei quattro. A $0,0575, circa la metà dei modelli dedicati, ma sposta il volto della persona più degli altri modelli.

Cos'è e cosa non è il try-on di ChatGPT

Secondo i resoconti al lancio di ottobre 2026, il pulsante Try on appare sulle pagine prodotto di abbigliamento e accessori all'interno di ChatGPT. Scatti o carichi una foto di riferimento, ChatGPT la salva per futuri try-on, e le immagini sono generate da ChatGPT Images 2.5. Puoi anche caricare lo screenshot di un prodotto e chiedere di provarlo. I resoconti notano che i risultati potrebbero non riflettere accuratamente la vestibilità o la taglia.

Per gli sviluppatori mancano tre cose:

1. Nessun endpoint. La funzione esiste nel prodotto di chat. Il tuo negozio non può inviarle la foto dell'acquirente e l'immagine dello SKU e ricevere un URL.
2. Nessun contratto fisso. Se il capo si posiziona correttamente dipende dalla conversazione, non da campi di input denominati.
3. Nessun percorso batch. Un team merchandising che vuole mostrare 500 SKU su tre modelle del brand ha bisogno di code, retry e callback.

Lato API, i modelli immagine dello stesso lancio sono disponibili come gpt-image-2.5-flare e gpt-image-2.5-sunburst. Se vuoi capire come i nomi prodotto si mappano su questi ID, vedi ChatGPT Images 2.5 vs Flare e Sunburst. Nei test seguenti abbiamo usato la linea edit di Sunburst, perché è il livello orientato alle modifiche precise.

Come abbiamo testato

Abbiamo generato due coppie di input originali con gpt-image-2/text-to-image, le abbiamo caricate su URL pubblici e poi abbiamo inviato le stesse identiche coppie di input a tutti e quattro i modelli.

• Coppia di input 1, test di struttura. Una donna con maglietta bianca e jeans azzurri, e una camicia esterna in velluto a coste giallo senape a righe larghe, distesa: cinque bottoni, una tasca sul petto con patta, colletto a punta, orlo arrotondato che cade sotto la vita.
• Coppia di input 2, test di stampa. Un uomo con maglietta grigia e pantaloni casual oliva, e una T-shirt bianco sporco distesa con stampato un sole arancione e la scritta in maiuscolo blu navy SUNDAY CLUB.

Le impostazioni sono rimaste invariate in tutte le esecuzioni:

• FASHN: category: "tops", garment_photo_type: "flat-lay", mode: "quality", output_format: "jpeg", seed: 42 (più un'esecuzione ripetuta con seed: 7)
• Google: solo person_image_url + product_image_url
• FIBO: due immagini in image_urls, un'istruzione, aspect_ratio: "2:3"
• GPT Image 2.5 Sunburst: due immagini in image_urls, aspect_ratio: "2:3", resolution: "1K"

Ogni task ha impiegato circa 25–60 secondi dall'invio al risultato, misurati con intervalli di polling di 5 secondi. Tutti i 12 task sono riusciti al primo invio.

Test 1: camicia esterna in velluto a coste (struttura e lunghezza)

Da sinistra a destra: FASHN, Google, FIBO, GPT Image 2.5 Sunburst. Di seguito il busto a risoluzione originale, partendo dalla foto originale della persona:

Cosa abbiamo osservato:

• Tutti e quattro i modelli hanno mantenuto il giallo senape, i bottoni scuri, il colletto a punta e la singola tasca con patta sul petto sinistro di chi la indossa. Nessuno ha messo la tasca dal lato sbagliato.
• FASHN ha accorciato la camicia esterna trasformandola in un crop top. Le coste del velluto sono rese, ma la lunghezza del capo è sbagliata.
• Google ha mantenuto la camicia a lunghezza intera, con l'orlo che cade sulla vita dei jeans, leggermente ampia. Volto, capelli e posa sono i più vicini alla foto di input.
• FIBO ha generato una camicia dall'aspetto plausibile, con righe più morbide. Il volto è chiaramente spostato: linea della mascella, volume dei capelli ed espressione sono diversi dall'input.
• GPT Image 2.5 Sunburst è l'unico che ha riprodotto l'orlo arrotondato che cade sotto la vita, coerente con l'immagine distesa, con le righe larghe ben visibili e il volto intatto.

È ripetibile?

Abbiamo rieseguito FASHN con un seed diverso e GPT Image 2.5 Sunburst con lo stesso prompt:

FASHN con seed: 7 ha prodotto di nuovo un capo corto: la parte inferiore della camicia è aperta e lascia scoperto l'addome. GPT Image 2.5 Sunburst ha restituito due volte risultati quasi identici. Su questo capo, il problema di lunghezza di FASHN è sistematico, non casuale.

Test 2: T-shirt stampata (logo e testo)

La stampa è il punto in cui il try-on di solito fallisce, quindi ecco i primi piani (FASHN, Google, FIBO, GPT Image 2.5 Sunburst con il nostro prompt specifico e Sunburst con un prompt generico):

• FASHN ha ingrandito la stampa così tanto che la S di SUNDAY tocca il fianco della maglietta e viene parzialmente tagliata.
• Google ha posizionato la stampa a una dimensione naturale, ma anche la prima lettera cade sulla piega laterale ed è parzialmente coperta.
• FIBO ha reso in modo pulito il sole e l'intera scritta SUNDAY CLUB, con dimensioni vicine all'immagine distesa.
• GPT Image 2.5 Sunburst ha reso correttamente il testo completo in entrambe le esecuzioni, ma la stampa è più piccola e più in alto rispetto all'originale.
• Tutti e quattro i modelli hanno mantenuto la mano in tasca, i pantaloni oliva e lo sfondo beige.

Se la stampa sul petto, il logo o il testo sono importanti per il tuo catalogo, aggiungi un controllo di qualità sulla stampa indipendentemente dal modello scelto.

Gli editor richiedono prompt dettagliati?

Il nostro prompt per Sunburst descriveva i dettagli di ogni capo (posizione delle tasche, larghezza delle righe, disposizione della stampa). Per verificare quanto questo sia importante, abbiamo rieseguito le due coppie di input con un prompt generico che non menziona mai il capo:

L'immagine 1 è una persona. L'immagine 2 è la foto prodotto di un capo. Fai indossare alla persona nell'immagine 1 il capo nell'immagine 2. Mantieni invariati il volto, i capelli, il corpo, la posa, tutti gli altri indumenti, lo sfondo e l'illuminazione della persona. Riproduci con precisione il colore, il tessuto, la lunghezza, i dettagli strutturali del capo e qualsiasi stampa o testo. Foto di catalogo realistica.

Entrambi i risultati sono validi: la camicia esterna mantiene l'orlo arrotondato e la stampa è scritta correttamente. Quindi un prompt basato su template può servire l'intero catalogo: non devi scrivere un prompt per ogni SKU. Il rischio è diverso: poiché i modelli di edit modificano ciò che il prompt non protegge, mantieni in ogni richiesta la lista delle cose da "mantenere invariate".

Il prompt dettagliato che abbiamo usato per la coppia di input 1 è il seguente:

L'immagine 1 è una persona. L'immagine 2 è una camicia esterna in velluto a coste giallo senape. Fai indossare alla persona nell'immagine 1 la camicia esterna nell'immagine 2, allacciata. Mantieni il suo volto, i capelli, la corporatura, la posa, i jeans, le sneakers, lo sfondo e l'illuminazione esattamente come nell'immagine 1. Riproduci con precisione la camicia esterna: lo stesso giallo senape, velluto a coste a righe larghe, bottoni marrone scuro, una tasca con patta abbottonata sul petto sinistro, colletto a punta, maniche lunghe con polsini. Foto di catalogo realistica a figura intera, senza testo.

Chiamarli con un'unica chiamata API

Tutti e quattro i modelli usano lo stesso flusso asincrono: POST /v1/tasks, poi polling su GET /v1/tasks/{taskId} finché status non è success o fail. Cambia solo l'oggetto input. Il contratto completo, inclusi callback e Idempotency-Key, è nella documentazione dell'API asincrona.

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": "Fai indossare alla persona nell'immagine 1 il capo nell'immagine 2. "
                       "Mantieni invariati volto, posa, altri indumenti e sfondo.",
        "aspect_ratio": "2:3",
    },
    "gpt-image-2.5-sunburst/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "prompt": "L'immagine 1 è una persona. L'immagine 2 è la foto prodotto di un capo. "
                  "Fai indossare alla persona nell'immagine 1 il capo nell'immagine 2. "
                  "Mantieni invariati il volto, i capelli, il corpo, la posa, tutti gli altri indumenti, "
                  "lo sfondo e l'illuminazione della persona.",
        "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 temporaneo: scarica e archivia
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(5)

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

Tre dettagli emersi dalle nostre esecuzioni:

• La linea edit rifiuta quality. Inviare "quality": "medium" a gpt-image-2.5-sunburst/image-to-image restituisce 400 INVALID_REQUEST: additional properties 'quality' not allowed. Usa solo resolution e aspect_ratio per controllare le dimensioni dell'output.
• Gli URL di output scadono. Gli URL dei risultati sono temporanei (expireAt nell'output del task), quindi scarica le immagini e archiviale nel tuo storage.
• Gli input devono essere URL http(s) pubblici. Tutti e quattro i modelli accettano URL di immagini, non base64. Carica prima la foto dell'acquirente, poi invia il task.

Come scegliere

Scegli un modello di try-on dedicato (FASHN o Google) se:

• Gli acquirenti o gli operatori inviano immagini e non vuoi prompt nel flusso
• Vuoi che volto e posa siano il più possibile vicini all'input (Google è il più forte in questo)
• Ti servono controlli espliciti su category e garment-photo-type, oltre a un seed per riesecuzioni riproducibili (FASHN)

Scegli un editor multi-riferimento (GPT Image 2.5 Sunburst o FIBO) se:

• La struttura e la lunghezza del capo contano più della semplicità senza prompt (Sunburst è stato il migliore nel nostro test della camicia esterna)
• Il costo per immagine è il fattore decisivo: Sunburst 1K costa $0,025, FIBO $0,0575, mentre i modelli dedicati circa $0,107
• Vuoi fare styling oltre il semplice cambio di capo nella stessa chiamata, ad esempio abbottonato o aperto, dentro o fuori, o cambiare lo sfondo
• Stampe e testi devono restare leggibili (FIBO e Sunburst nei nostri test hanno riprodotto correttamente l'intera stampa)

Resta su ChatGPT se: sei una persona singola e vuoi solo vedere come ti sta un articolo. Non ti serve alcun codice.

Domande frequenti

ChatGPT ha un'API di virtual try-on?

No. A novembre 2026, il try-on è una funzione dell'app ChatGPT, attivata da una pagina prodotto o dal caricamento di un'immagine. I modelli immagine dello stesso lancio sono disponibili come modelli API, ma non esiste un endpoint dedicato al try-on con campi persona e capo. Su HiAPI puoi chiamare questi modelli immagine o i modelli di try-on dedicati tramite /v1/tasks.

Quale modello è più vicino a quello usato da ChatGPT?

Il try-on di ChatGPT gira su ChatGPT Images 2.5. I modelli API di quel lancio sono GPT Image 2.5 Flare e Sunburst. Abbiamo testato la linea image-to-image di Sunburst, che accetta più immagini di riferimento più un prompt.

I modelli di try-on dedicati sono migliori di un editor di immagini generico?

Non necessariamente. Nei nostri due test, i modelli dedicati erano più facili da chiamare e mantenevano il volto più vicino all'input; GPT Image 2.5 Sunburst ha riprodotto più fedelmente la lunghezza del capo e la stampa completa. Prima di decidere, prova entrambe le categorie con i tuoi capi. Una prova di ciascuno costa molto meno di $0,25.

Quanto costa ogni try-on?

Al 2026-11-03, su 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 image-to-image $0,025 a 1K ($0,04 a 2K, $0,06 a 4K). Controlla la pagina dei prezzi per le tariffe attuali. I task falliti non vengono addebitati.

Posso mantenere invariati il volto e la posa dell'acquirente?

I modelli dedicati sono progettati proprio per questo, e Google è stato il più vicino nelle nostre esecuzioni. Con gli editor, dichiaralo esplicitamente ("mantieni invariati volto, capelli, corpo, posa, sfondo"). Il nostro prompt generico con Sunburst ha mantenuto bene il volto, mentre FIBO lo ha spostato di più.

Si può usare per pantaloni o vestiti?

Il campo category di FASHN accetta valori per top, bottom e capi interi. La pagina del modello Google elenca top comuni, giacche e vestiti come candidati adatti. Qui abbiamo testato solo i top.

Conclusione

Il try-on di ChatGPT è una funzione per chi acquista. Per un prodotto ti serve un'interfaccia, e su HiAPI ce ne sono quattro affidabili con un'unica chiave. Se vuoi il minimo sforzo di integrazione, parti da Google Virtual Try-On. Se vuoi controllo esplicito e seed riproducibili, usa FASHN Try-On v1.6. Se la fedeltà del capo e il costo sono la priorità, testa GPT Image 2.5 Sunburst con un prompt basato su template. Invia le stesse due immagini a due di questi modelli e lascia che siano i tuoi capi a decidere. Prima di scrivere codice, puoi provarli nel Playground di qualsiasi pagina del modello.

Letture correlate

• FASHN Try-On v1.6 vs Google Virtual Try-On
• FASHN Try-On v1.6 API: richieste curl e Python funzionanti
• Guida all'API di Google Virtual Try-On