Альтернатива виртуальной примерки ChatGPT: тестируем 4 API примерки

1 октября 2026 года ChatGPT добавил кнопку Try on (примерка) для одежды и аксессуаров. Вы загружаете селфи, выбираете товар, и ChatGPT Images 2.5 рендерит, как вы это носите. Для покупателей это удобно. Но это не то, что можно вызвать из своего магазина, приложения или конвейера каталога товаров: у него нет интерфейса примерки, нет фиксированного ввода «портрет + одежда», а результат зависит от того, как диалог поймёт ваш запрос.

Если вам нужна та же функция в виде API, можно выбирать из двух типов моделей: специализированные модели примерки, которые строго принимают одну фотографию человека и одну фотографию одежды; и редакторы с несколькими референсными изображениями, которые принимают два изображения плюс текстовую инструкцию. Мы прогнали обе категории, всего четыре онлайн-модели HiAPI, на одинаковых двух наборах входных данных — всего 12 реальных запусков /v1/tasks — и показываем все результаты ниже.

Краткий ответ

	FASHN Try-On v1.6	Google Virtual Try-On	FIBO Edit 1.5	GPT Image 2.5 Sunburst (редактор)
Страница модели	fashn-tryon-v1.6	google-virtual-try-on	fibo-edit-1.5	gpt-image-2.5-sunburst
Тип	Специализированная примерка	Специализированная примерка	Редактор с несколькими референсами (1–4 изображения)	Редактор с несколькими референсами
Нужен ли промпт	Нет	Нет	Да (instruction)	Да (prompt)
Элементы управления одеждой	category, garment_photo_type, mode, seed	Нет, только два поля изображений	Формулировка инструкции плюс seed	Формулировка промпта
Выход в наших запусках	832×1248 (как на входе)	832×1248 (как на входе)	768×1152	832×1248, 1K, 2:3
Цена за изображение (HiAPI, 2026-11-03)	$0.1072	$0.1075	$0.0575	$0.025 при 1K ($0.04 при 2K, $0.06 при 4K)

По этим 12 запускам наши краткие выводы таковы:

• GPT Image 2.5 Sunburst в обоих тестах воспроизвёл одежду наиболее точно, примерно за четверть цены моделей примерки. Это ближайший API-аналог модели, стоящей за этой функцией ChatGPT. Цена — необходимость писать промпты, и модель может свободно менять всё, что не закреплено промптом.
• Google Virtual Try-On проще всего интегрировать: два URL изображений, без промпта, и лицо и поза человека остаются нетронутыми. Он аккуратно разместил одежду, но обрезал первую букву принта на груди.
• FASHN Try-On v1.6 — специализированная модель с наибольшим числом элементов управления: поля category, photo-type, mode и seed. На нашей рубашке-овершот длиной до бёдер он дважды подряд вернул укороченную длину.
• FIBO Edit 1.5 чище всех четырёх отрендерил принт на груди. Цена $0.0575 — примерно половина специализированных моделей, но он сильнее смещает лицо человека, чем другие модели.

Что такое примерка ChatGPT и чем она не является

Согласно сообщениям на момент запуска в октябре 2026 года, кнопка Try on появляется на страницах товаров одежды и аксессуаров внутри ChatGPT. Вы делаете или загружаете референсное фото, ChatGPT сохраняет его для будущих примерок, а изображение генерируется ChatGPT Images 2.5. Вы также можете загрузить скриншот товара и попросить примерку. В сообщениях отмечается, что результаты могут неточно отражать посадку или размер.

Для разработчиков не хватает трёх вещей:

1. Нет интерфейса. Функция существует в чат-продукте. Ваш магазин не может отправить ему фото покупателя и изображение SKU и получить обратно URL.
2. Нет фиксированного контракта. Правильность посадки одежды зависит от диалога, а не от именованных полей ввода.
3. Нет пакетного пути. Команде товаров, которая хочет показать 500 SKU на трёх моделях бренда, нужны очередь, повторы и колбэки.

На стороне API модели изображений того же релиза доступны как gpt-image-2.5-flare и gpt-image-2.5-sunburst. Если вы хотите понять, как названия продуктов сопоставляются с этими ID, см. ChatGPT Images 2.5 против Flare и Sunburst. В тестах ниже мы использовали редакторную линейку Sunburst, так как это уровень, ориентированный на точное редактирование.

Как мы тестировали

Мы сгенерировали две исходные пары входных данных с помощью gpt-image-2/text-to-image, загрузили их на публичные URL и отправили абсолютно одинаковые пары во все четыре модели.

• Пара 1, тест структуры. Женщина в белой футболке и светло-голубых джинсах и разложенная рубашка-овершот из горчично-жёлтого вельвета в широкую полоску: пять пуговиц, нагрудный карман с клапаном, острый воротник, изогнутый низ ниже талии.
• Пара 2, тест принта. Мужчина в серой футболке и оливковых чиносах и разложенная футболка цвета экрю с оранжевым солнцем и заглавными буквами тёмно-синего цвета SUNDAY CLUB.

Настройки оставались неизменными во всех запусках:

• FASHN: category: "tops", garment_photo_type: "flat-lay", mode: "quality", output_format: "jpeg", seed: 42 (плюс один повторный запуск с seed: 7)
• Google: только person_image_url + product_image_url
• FIBO: два изображения в image_urls, одна инструкция, aspect_ratio: "2:3"
• GPT Image 2.5 Sunburst: два изображения в image_urls, aspect_ratio: "2:3", resolution: "1K"

Каждая задача от отправки до результата занимала примерно 25–60 секунд, измерено с интервалом опроса 5 секунд. Все 12 задач успешно выполнились с первой отправки.

Тест 1: рубашка-овершот из вельвета (структура и длина)

Слева направо: FASHN, Google, FIBO, GPT Image 2.5 Sunburst. Ниже верхняя часть тела в исходном разрешении, сначала исходное фото человека:

Что мы наблюдали:

• Все четыре модели сохранили горчично-жёлтый цвет, тёмные пуговицы, острый воротник и единственный карман с клапаном на левой груди носящей. Ни одна не поместила карман на неправильную сторону.
• FASHN укоротил рубашку-овершот до кроп-топа. Полоски вельвета отрендерены, но длина одежды неверна.
• Google сохранил рубашку полной длины с низом на поясе джинсов и лёгкой свободой. Лицо, волосы и поза ближе всего к исходному фото.
• FIBO создал правдоподобно выглядящую рубашку с более мягкими полосками. Заметное смещение лица: линия челюсти, объём волос и выражение отличаются от входных.
• GPT Image 2.5 Sunburst — единственная модель, воспроизведшая изогнутый низ ниже талии, совпадающий с разложенным изображением, широкие полоски чётко видны, а лицо осталось нетронутым.

Это воспроизводимо?

Мы перезапустили FASHN с другим seed и GPT Image 2.5 Sunburst с тем же промптом:

FASHN с seed: 7 снова выдал укороченный вариант: низ рубашки распахнут, обнажая живот. GPT Image 2.5 Sunburst дважды вернул почти идентичный результат. На этой одежде проблема длины у FASHN систематическая, а не случайная.

Тест 2: футболка с принтом (логотип и текст)

Принт — это то место, где примерка обычно даёт сбой, поэтому вот крупные планы (FASHN, Google, FIBO, GPT Image 2.5 Sunburst с нашим конкретным промптом и Sunburst с универсальным промптом):

• FASHN увеличил принт настолько, что S в SUNDAY упирается в бок футболки и частично обрезан.
• Google разместил принт в естественном размере, но первая буква тоже попала на складку сбоку и частично скрыта.
• FIBO чисто отрендерил солнце и полный SUNDAY CLUB, размер близок к разложенному изображению.
• GPT Image 2.5 Sunburst в обоих запусках правильно отрендерил полный текст, но принт меньше и выше, чем на оригинале.
• Все четыре модели сохранили руку в кармане, оливковые брюки и бежевый фон.

Если принт на груди, логотип или текст важны для вашего каталога, добавляйте проверку качества принта независимо от выбранной модели.

Нужны ли редактору подробные промпты?

Наш промпт для Sunburst описывал детали каждой одежды (положение кармана, ширину полосок, расположение принта). Чтобы проверить, насколько это важно, мы перезапустили обе пары с универсальным промптом, который вообще не упоминает одежду:

Изображение 1 — человек. Изображение 2 — товарное фото одежды. Надень на человека с изображения 1 одежду с изображения 2. Сохрани лицо, волосы, тело, позу, всю остальную одежду, фон и освещение человека неизменными. Точно воспроизведи цвет, ткань, длину, структурные детали одежды и любой принт или текст. Реалистичное товарное фото.

Оба результата состоятельны: рубашка-овершот сохранила изогнутый низ, принт написан правильно. Таким образом, шаблонный промпт может обслуживать весь каталог, и вам не нужно писать промпт для каждого SKU. Риск другой: поскольку редакторная модель меняет то, что не защищено промптом, сохраняйте список «оставить неизменным» в каждом запросе.

Подробный промпт, который мы использовали для пары 1, выглядит так:

Изображение 1 — человек. Изображение 2 — рубашка-овершот из горчично-жёлтого вельвета. Надень на человека с изображения 1 рубашку-овершот с изображения 2, застёгнутую на пуговицы. Сохрани её лицо, волосы, телосложение, позу, джинсы, кроссовки, фон и освещение точно как на изображении 1. Точно воспроизведи рубашку-овершот: тот же горчично-жёлтый цвет, вельвет в широкую полоску, тёмно-коричневые пуговицы, один карман с пуговичным клапаном на её левой груди, острый воротник, длинные рукава с манжетами. Реалистичное товарное фото в полный рост, без текста.

Вызов всех через один API

Все четыре модели используют один и тот же асинхронный процесс: POST /v1/tasks, затем опрос GET /v1/tasks/{taskId}, пока status не станет success или fail. Меняется только объект input. Полный контракт, включая колбэки и Idempotency-Key, см. в документации асинхронного API.

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": "Надень на человека с изображения 1 одежду с изображения 2."
                       "Сохрани лицо, позу, остальную одежду и фон неизменными.",
        "aspect_ratio": "2:3",
    },
    "gpt-image-2.5-sunburst/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "prompt": "Изображение 1 — человек. Изображение 2 — товарное фото одежды."
                  "Надень на человека с изображения 1 одежду с изображения 2."
                  "Сохрани лицо, волосы, тело, позу, всю остальную одежду,"
                  "фон и освещение человека неизменными.",
        "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"]   # временный URL: скачайте и сохраните
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(5)

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

Три детали, которые мы получили в наших запусках:

• Редакторная линейка отклоняет quality. Отправка "quality": "medium" в gpt-image-2.5-sunburst/image-to-image возвращает 400 INVALID_REQUEST: additional properties 'quality' not allowed. Используйте только resolution и aspect_ratio для управления размером вывода.
• URL вывода истекают. URL результатов временные (expireAt в выводе задачи), поэтому скачивайте изображения и сохраняйте в собственное хранилище.
• Входные данные должны быть публичными URL http(s). Все четыре модели принимают URL изображений, а не base64. Сначала загрузите фото покупателя, затем отправляйте задачу.

Как выбрать

Выбирайте специализированную модель примерки (FASHN или Google), если:

• Изображения отправляют покупатель или оператор, и вы не хотите, чтобы в процессе появлялись промпты
• Вы хотите, чтобы лицо и поза были как можно ближе к входным (Google сильнее всего в этом)
• Вам нужны явные элементы управления category и garment-photo-type, а также seed для воспроизводимых повторных запусков (FASHN)

Выбирайте редактор с несколькими референсами (GPT Image 2.5 Sunburst или FIBO), если:

• Структура и длина одежды важнее простоты без промпта (Sunburst был сильнейшим в нашем тесте рубашки-овершот)
• Стоимость за изображение — решающий фактор: Sunburst 1K стоит $0.025, FIBO — $0.0575, а специализированные модели — около $0.107
• Вы хотите в том же вызове сделать стилизацию сверх простой смены одежды, например застёгнуто или расстёгнуто, заправлено или выпущено, или сменить фон
• Принт и текст должны оставаться читаемыми (FIBO и Sunburst в наших тестах полностью прописали принт)

Оставайтесь в ChatGPT, если: вы просто человек и хотите посмотреть, как товар смотрится на вас. Код вам не нужен.

Частые вопросы

Есть ли у ChatGPT API виртуальной примерки?

Нет. По состоянию на ноябрь 2026 года примерка — это функция приложения ChatGPT, запускаемая со страницы товара или загрузкой изображения. Модели изображений того же релиза доступны как API-модели, но нет специализированного интерфейса примерки с полями человека и одежды. На HiAPI вы можете вызывать эти модели изображений или специализированные модели примерки через /v1/tasks.

Какая модель ближе всего к той, что использует ChatGPT?

Примерка ChatGPT работает на ChatGPT Images 2.5. API-модели того релиза — GPT Image 2.5 Flare и Sunburst. Мы тестировали линейку image-to-image Sunburst, которая принимает несколько референсных изображений плюс промпт.

Специализированные модели примерки лучше универсального редактора изображений?

Не обязательно. В наших двух тестах специализированные модели было проще вызывать, и лица были ближе всего к входным; а GPT Image 2.5 Sunburst точнее воспроизвёл длину одежды и полный принт. Прежде чем решать, прогоните оба типа моделей на своей одежде. Одна генерация каждого типа стоит намного меньше $0.25.

Сколько стоит одна примерка?

По состоянию на 2026-11-03 на 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 1K — $0.025 (2K — $0.04, 4K — $0.06). Актуальные тарифы см. на странице цен. За неудачные задачи плата не взимается.

Могу ли я сохранить лицо и позу покупателя неизменными?

Специализированные модели именно для этого и созданы, и Google в наших запусках был ближе всего. При использовании редактора явно указывайте («сохрани лицо, волосы, тело, позу, фон неизменными»). Наш универсальный промпт с Sunburst хорошо сохранил лицо, а FIBO смещал сильнее.

Можно ли использовать для нижней одежды или платьев?

category у FASHN принимает значения для верха, низа и цельных изделий. Страница модели Google перечисляет обычный верх, куртки и платья как подходящие варианты. Мы здесь тестировали только верх.

Заключение

Примерка ChatGPT — функция для покупателей. Для продукта нужен интерфейс, и на HiAPI через один ключ доступны четыре надёжных интерфейса. Если вы хотите минимум работы по интеграции, начните с Google Virtual Try-On. Если вам нужны явный контроль и воспроизводимый seed, используйте FASHN Try-On v1.6. Если важнее всего точность одежды и стоимость, протестируйте GPT Image 2.5 Sunburst с шаблонным промптом. Отправьте те же два изображения в две из этих моделей и позвольте вашей одежде решить. Перед написанием кода можно попробовать в Playground на странице любой модели.

Связанное чтение

• FASHN Try-On v1.6 против Google Virtual Try-On
• FASHN Try-On v1.6 API: готовые запросы curl и Python
• Руководство по API Google Virtual Try-On