Alternativas ao provador virtual do ChatGPT: 4 APIs de provador testadas

O ChatGPT adicionou em 1º de outubro de 2026 um botão Try on (provador) para roupas e acessórios. Você envia uma selfie, escolhe um produto e o ChatGPT Images 2.5 renderiza você vestindo a peça. Isso funciona bem para quem compra. Mas não é algo que você possa chamar da sua própria loja, app ou pipeline de catálogo: não há endpoint de provador, não há entrada fixa de pessoa mais roupa, e o resultado depende de como a conversa interpreta seu pedido.

Se você precisa da mesma funcionalidade via API, há duas categorias de modelos para escolher: modelos dedicados de provador, que recebem estritamente uma foto de pessoa e uma foto de roupa; e editores de múltiplas imagens de referência, que recebem duas imagens mais uma instrução em texto. Usamos os mesmos dois conjuntos de entrada para rodar as duas categorias em quatro modelos online da HiAPI, num total de 12 execuções reais de /v1/tasks, e mostramos todas as saídas abaixo.

Resposta rápida

	FASHN Try-On v1.6	Google Virtual Try-On	FIBO Edit 1.5	GPT Image 2.5 Sunburst (edição)
Página do modelo	fashn-tryon-v1.6	google-virtual-try-on	fibo-edit-1.5	gpt-image-2.5-sunburst
Tipo	Provador dedicado	Provador dedicado	Edição multi-referência (1–4 imagens)	Edição multi-referência
Precisa de prompt	Não	Não	Sim (instruction)	Sim (prompt)
Controles de roupa	category, garment_photo_type, mode, seed	Nenhum, apenas dois campos de imagem	Formulação da instrução, mais seed	Formulação do prompt
Saída nas nossas execuções	832×1248 (igual à entrada)	832×1248 (igual à entrada)	768×1152	832×1248, 1K, 2:3
Preço por imagem (HiAPI, 2026-11-03)	US$ 0,1072	US$ 0,1075	US$ 0,0575	US$ 0,025 em 1K (US$ 0,04 em 2K, US$ 0,06 em 4K)

Com base nessas 12 execuções, nossa conclusão breve é:

• GPT Image 2.5 Sunburst reproduziu a roupa mais fielmente nos dois testes, a cerca de um quarto do preço dos modelos de provador. É a correspondência de API mais próxima do modelo por trás desse recurso do ChatGPT. O custo é que você precisa escrever o prompt, e o modelo pode alterar livremente qualquer coisa que o prompt não trave.
• Google Virtual Try-On tem a integração mais simples: duas URLs de imagem, sem prompt, e o rosto e a pose da pessoa permanecem intactos. Ele posicionou a roupa de forma limpa, mas cortou a primeira letra da estampa no peito.
• FASHN Try-On v1.6 é o modelo dedicado com mais controles, oferecendo os campos category, photo-type, mode e seed. Na nossa camisa de manga comprida no comprimento do quadril, ele retornou duas vezes um comprimento encurtado.
• FIBO Edit 1.5 renderizou a estampa no peito da forma mais limpa entre os quatro. A US$ 0,0575, custa cerca de metade dos modelos dedicados, mas desloca o rosto da pessoa mais do que os outros modelos.

O que o provador do ChatGPT é e o que não é

Segundo reportagens da época do lançamento, em outubro de 2026, o botão Try on aparece nas páginas de produtos de roupas e acessórios dentro do ChatGPT. Você tira ou envia uma foto de referência, o ChatGPT salva essa foto para provadores futuros, e a imagem é gerada pelo ChatGPT Images 2.5. Você também pode enviar um print do produto e pedir o provador. As reportagens observam que o resultado pode não refletir com precisão o caimento ou o tamanho.

Para desenvolvedores, faltam três coisas:

1. Não há endpoint. O recurso existe no produto de chat. Sua loja não pode enviar a foto do comprador e a imagem do SKU e receber uma URL de volta.
2. Não há contrato fixo. Se a roupa fica corretamente posicionada depende da conversa, não de campos de entrada nomeados.
3. Não há caminho de processamento em lote. Uma equipe de merchandising que quer mostrar 500 SKUs em três modelos da marca precisa de fila, novas tentativas e callbacks.

No lado da API, o modelo de imagem do mesmo lançamento é oferecido como gpt-image-2.5-flare e gpt-image-2.5-sunburst. Se você quer entender como os nomes de produto mapeiam para esses IDs, veja ChatGPT Images 2.5 vs Flare e Sunburst. Nos testes abaixo, usamos a linha de edição do Sunburst, porque é a camada voltada à edição precisa.

Como testamos

Geramos dois pares de entrada originais com gpt-image-2/text-to-image, enviamos para URLs públicas e então mandamos exatamente os mesmos pares de entrada para os quatro modelos.

• Par de entrada 1, teste de estrutura. Uma mulher de camiseta branca e jeans azul-claro, e uma camisa de manga comprida de veludo cotelê mostarda com listras largas, disposta na horizontal: cinco botões, um bolso no peito com aba, gola pontuda e barra curva que cai abaixo da cintura.
• Par de entrada 2, teste de estampa. Um homem de camiseta cinza e calça casual verde-oliva, e uma camiseta off-white disposta na horizontal com um sol laranja e as letras maiúsculas em azul-marinho SUNDAY CLUB.

As configurações permaneceram iguais em todas as execuções:

• FASHN: category: "tops", garment_photo_type: "flat-lay", mode: "quality", output_format: "jpeg", seed: 42 (mais uma execução repetida com seed: 7)
• Google: apenas person_image_url + product_image_url
• FIBO: duas imagens em image_urls, uma instrução, aspect_ratio: "2:3"
• GPT Image 2.5 Sunburst: duas imagens em image_urls, aspect_ratio: "2:3", resolution: "1K"

Cada tarefa levou de cerca de 25 a 60 segundos do envio até o resultado, medido com intervalo de polling de 5 segundos. Todas as 12 tarefas foram bem-sucedidas no primeiro envio.

Teste 1: camisa de veludo cotelê (estrutura e comprimento)

Da esquerda para a direita: FASHN, Google, FIBO, GPT Image 2.5 Sunburst. Abaixo, a parte superior do corpo em resolução original, começando pela foto original da pessoa:

O que observamos:

• Os quatro modelos preservaram o amarelo mostarda, os botões escuros, a gola pontuda e o único bolso com aba no peito esquerdo de quem veste. Nenhum colocou o bolso no lado errado.
• FASHN encurtou a camisa para um top curto. As listras de veludo cotelê foram renderizadas, mas o comprimento da roupa estava errado.
• Google manteve a camisa no comprimento total, com a barra na cintura do jeans, com um leve volume. Rosto, cabelo e pose ficaram os mais próximos da foto de entrada.
• FIBO gerou uma camisa de aparência plausível, com listras mais suaves. Houve um deslocamento claro no rosto: linha do maxilar, volume do cabelo e expressão diferentes da entrada.
• GPT Image 2.5 Sunburst foi o único a reproduzir a barra curva que cai abaixo da cintura, consistente com a imagem disposta na horizontal, com as listras largas claramente visíveis e o rosto preservado.

Isso é repetível?

Rodamos o FASHN de novo com um seed diferente e o GPT Image 2.5 Sunburst com o mesmo prompt:

O FASHN com seed: 7 voltou a gerar um resultado curto: a parte de baixo da camisa aberta, expondo a barriga. O GPT Image 2.5 Sunburst retornou resultados praticamente iguais nas duas vezes. Nesta peça, o problema de comprimento do FASHN é sistemático, não ocasional.

Teste 2: camiseta estampada (logotipo e texto)

A estampa é onde o provador costuma falhar, então aqui vão os closes (FASHN, Google, FIBO, GPT Image 2.5 Sunburst com nosso prompt específico e Sunburst com prompt genérico):

• FASHN ampliou tanto a estampa que o S de SUNDAY encosta na lateral da camiseta e fica parcialmente cortado.
• Google colocou a estampa em tamanho natural, mas a primeira letra também cai na dobra lateral e fica parcialmente oculta.
• FIBO renderizou o sol e o SUNDAY CLUB completo de forma limpa, em tamanho próximo ao da imagem disposta na horizontal.
• GPT Image 2.5 Sunburst renderizou o texto completo corretamente nas duas execuções, mas a estampa ficou menor e mais alta que a original.
• Os quatro modelos preservaram a mão no bolso, a calça verde-oliva e o fundo bege.

Se estampas no peito, logotipos ou textos são importantes para o seu catálogo, adicione uma verificação de qualidade da estampa qualquer que seja o modelo escolhido.

O editor precisa de prompts detalhados?

Nosso prompt do Sunburst descrevia os detalhes de cada peça (posição do bolso, largura das listras, layout da estampa). Para verificar o quanto isso importa, rodamos de novo os dois pares de entrada com um prompt genérico que nunca menciona a roupa:

A imagem 1 é uma pessoa. A imagem 2 é uma foto de produto de uma roupa. Faça a pessoa da imagem 1 vestir a roupa da imagem 2. Mantenha o rosto, o cabelo, o corpo, a pose, todas as outras roupas, o fundo e a iluminação da pessoa inalterados. Reproduza com precisão a cor, o tecido, o comprimento, os detalhes estruturais e qualquer estampa ou texto da roupa. Foto realista de catálogo.

Os dois resultados se sustentam: a camisa de manga comprida manteve a barra curva e a estampa ficou escrita corretamente. Portanto, um prompt-modelo pode atender o catálogo inteiro, e você não precisa escrever um prompt para cada SKU. O risco é outro: como os modelos de edição alteram o que o prompt não protege, mantenha a lista de “manter inalterado” em cada requisição.

O prompt detalhado que usamos para o par de entrada 1 foi este:

A imagem 1 é uma pessoa. A imagem 2 é uma camisa de manga comprida de veludo cotelê amarelo mostarda. Faça a pessoa da imagem 1 vestir a camisa de manga comprida da imagem 2, abotoada. Mantenha o rosto, o cabelo, o tipo físico, a pose, o jeans, os tênis, o fundo e a iluminação dela exatamente iguais aos da imagem 1. Reproduza com precisão a camisa de manga comprida: o mesmo amarelo mostarda, veludo cotelê de listras largas, botões marrom-escuros, um bolso com aba abotoada no peito esquerdo dela, gola pontuda, mangas longas com punhos. Foto realista de catálogo de corpo inteiro, sem texto.

Chamando todos com uma única API

Os quatro modelos usam o mesmo fluxo assíncrono: POST /v1/tasks, depois polling em GET /v1/tasks/{taskId} até que status seja success ou fail. Apenas o objeto input muda. O contrato completo, incluindo callbacks e Idempotency-Key, está na documentação da API assíncrona.

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": "Faça a pessoa da imagem 1 vestir a roupa da imagem 2."
                       "Mantenha o rosto, a pose, as outras roupas e o fundo inalterados.",
        "aspect_ratio": "2:3",
    },
    "gpt-image-2.5-sunburst/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "prompt": "A imagem 1 é uma pessoa. A imagem 2 é uma foto de produto de uma roupa."
                  "Faça a pessoa da imagem 1 vestir a roupa da imagem 2."
                  "Mantenha o rosto, o cabelo, o corpo, a pose, todas as outras roupas,"
                  "o fundo e a iluminação da pessoa inalterados.",
        "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 temporária: baixe e armazene
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(5)

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

Três detalhes que encontramos nas nossas execuções:

• A linha de edição rejeita quality. Enviar "quality": "medium" para gpt-image-2.5-sunburst/image-to-image retorna 400 INVALID_REQUEST: additional properties 'quality' not allowed. Use apenas resolution e aspect_ratio para controlar o tamanho da saída.
• As URLs de saída expiram. As URLs de resultado são temporárias (expireAt na saída da tarefa), então baixe as imagens e armazene no seu próprio storage.
• As entradas precisam ser URLs públicas http(s). Os quatro modelos recebem URLs de imagem, não base64. Faça o upload da foto do comprador antes de enviar a tarefa.

Como escolher

Escolha um modelo dedicado de provador (FASHN ou Google) quando:

• Compradores ou operadores enviam as imagens, e você não quer nenhum prompt no fluxo
• Você quer rosto e pose o mais próximos possível da entrada (o Google é o mais forte nisso)
• Você precisa de controles explícitos de category e garment-photo-type, além de seed para reexecuções reproduzíveis (FASHN)

Escolha um editor multi-referência (GPT Image 2.5 Sunburst ou FIBO) quando:

• A estrutura e o comprimento da roupa importam mais do que a simplicidade de zero prompt (o Sunburst foi o mais forte no nosso teste da camisa de manga comprida)
• O custo por imagem é o fator decisivo: Sunburst 1K custa US$ 0,025, FIBO US$ 0,0575, enquanto os modelos dedicados ficam em cerca de US$ 0,107
• Você quer fazer na mesma chamada uma estilização além da simples troca de roupa, como abotoar ou deixar aberto, por dentro ou por fora, ou trocar o fundo
• Estampas e textos precisam permanecer legíveis (FIBO e Sunburst escreveram a estampa por inteiro nos nossos testes)

Fique no ChatGPT quando: você é só uma pessoa querendo ver como uma peça fica em você. Você não precisa de código.

Perguntas frequentes

O ChatGPT tem uma API de provador virtual?

Não. Em novembro de 2026, o provador é um recurso do app ChatGPT, acionado a partir de uma página de produto ou do upload de uma imagem. O modelo de imagem do mesmo lançamento está disponível como modelo de API, mas não há endpoint dedicado a provador com campos de pessoa e roupa. Na HiAPI, você pode chamar esses modelos de imagem ou os modelos dedicados de provador via /v1/tasks.

Qual modelo é o mais próximo do que o ChatGPT usa?

O provador do ChatGPT roda sobre o ChatGPT Images 2.5. Os modelos de API desse lançamento são o GPT Image 2.5 Flare e o Sunburst. Testamos a linha de imagem para imagem do Sunburst, que recebe várias imagens de referência mais um prompt.

Modelos dedicados de provador são melhores que editores de imagem genéricos?

Não necessariamente. Nos nossos dois testes, os modelos dedicados foram mais fáceis de chamar e mantiveram o rosto mais próximo da entrada; já o GPT Image 2.5 Sunburst reproduziu o comprimento da roupa e a estampa completa com mais fidelidade. Antes de decidir, rode as duas categorias com as suas próprias roupas. Uma imagem de cada custa bem menos de US$ 0,25.

Quanto custa cada provador?

Em 2026-11-03, na HiAPI: FASHN Try-On v1.6 US$ 0,1072, Google Virtual Try-On US$ 0,1075, FIBO Edit 1.5 US$ 0,0575, GPT Image 2.5 Sunburst imagem para imagem US$ 0,025 em 1K (US$ 0,04 em 2K, US$ 0,06 em 4K). Consulte a página de preços para as tarifas atuais. Tarefas com falha não são cobradas.

Consigo manter o rosto e a pose do comprador inalterados?

Os modelos dedicados são feitos exatamente para isso, e o Google chegou mais perto nas nossas execuções. Com os editores, declare isso explicitamente (“mantenha rosto, cabelo, corpo, pose e fundo inalterados”). Nosso prompt genérico com o Sunburst preservou bem o rosto, enquanto o FIBO deslocou mais.

Dá para usar com partes de baixo ou vestidos?

O category do FASHN aceita valores para partes de cima, partes de baixo e peças inteiras. A página do modelo do Google lista partes de cima comuns, jaquetas e vestidos como candidatos adequados. Aqui testamos apenas partes de cima.

Conclusão

O provador do ChatGPT é um recurso para quem compra. Para um produto, você precisa de um endpoint, e na HiAPI há quatro endpoints confiáveis com uma única chave. Se você quer o mínimo de trabalho de integração, comece pelo Google Virtual Try-On. Se quer controles explícitos e seed reproduzível, use o FASHN Try-On v1.6. Se a fidelidade da roupa e o custo são o mais importante, teste o GPT Image 2.5 Sunburst com um prompt-modelo. Envie as mesmas duas imagens para dois deles e deixe suas roupas decidirem. Antes de escrever código, você pode experimentar no Playground de qualquer uma das páginas de modelo.

Leitura relacionada

• FASHN Try-On v1.6 vs Google Virtual Try-On
• FASHN Try-On v1.6 API: requisições curl e Python que funcionam
• Guia da API Google Virtual Try-On