ChatGPT 虚拟试穿替代方案：实测 4 个试穿 API

ChatGPT 于 2026 年 10 月 1 日为服装和配饰新增了 Try on（试穿）按钮。你上传一张自拍，选择一件商品，ChatGPT Images 2.5 便会渲染出你穿着它的样子。这对购物者来说很好用。但它并不是你可以从自己的店铺、应用或商品目录流水线中调用的东西：它没有试穿接口，没有固定的人像加服装输入，结果取决于对话如何理解你的请求。

如果你需要以 API 形式实现同样的功能，可以从两类模型中选择：专用试穿模型，严格接收一张人物照片和一张服装照片；以及多参考图像编辑器，接收两张图像再加一段文字指令。我们用相同的两组输入，分别跑了两类共四个线上 HiAPI 模型，总计 12 次真实的 /v1/tasks 运行，并在下面展示所有输出。

快速答案

	FASHN Try-On v1.6	Google Virtual Try-On	FIBO Edit 1.5	GPT Image 2.5 Sunburst（编辑）
模型页面	fashn-tryon-v1.6	google-virtual-try-on	fibo-edit-1.5	gpt-image-2.5-sunburst
类型	专用试穿	专用试穿	多参考编辑（1–4 张图像）	多参考编辑
是否需要提示词	否	否	是（instruction）	是（prompt）
服装控制项	category、garment_photo_type、mode、seed	无，仅两个图像字段	指令措辞，加上 seed	提示词措辞
我们运行中的输出	832×1248（与输入一致）	832×1248（与输入一致）	768×1152	832×1248，1K，2:3
每张图像价格（HiAPI，2026-11-03）	$0.1072	$0.1075	$0.0575	1K 时 $0.025（2K 时 $0.04，4K 时 $0.06）

基于这 12 次运行，我们的简短结论是：

• GPT Image 2.5 Sunburst 在两项测试中都还原出最忠实的服装，价格约为试穿模型的四分之一。它是 ChatGPT 该功能背后模型最接近的 API 对应版本。代价是你需要编写提示词，而模型可以自由改动提示词未锁定的任何内容。
• Google Virtual Try-On 集成最简单：两个图像 URL，无需提示词，并且人物的脸部和姿态保持完整。它干净地放置了服装，但裁掉了胸前印花第一个字母。
• FASHN Try-On v1.6 是控制项最多的专用模型，提供 category、photo-type、mode 和 seed 字段。在我们的臀长外穿衬衫上，它连续两次返回了裁短的衣长。
• FIBO Edit 1.5 在四者中最干净地渲染了胸前印花。价格为 $0.0575，约为专用模型的一半，但它对人物脸部的偏移比其它模型更大。

ChatGPT 的试穿是什么，不是什么

根据 2026 年 10 月发布时的报道，Try on 按钮会出现在 ChatGPT 内的服装和配饰商品页上。你拍摄或上传一张参考照片，ChatGPT 会保存该照片以备将来试穿使用，图像由 ChatGPT Images 2.5 生成。你也可以上传商品的截图并请求试穿。报道指出，结果可能无法准确反映合身程度或尺码。

对于开发者而言，缺少三样东西：

1. 没有接口。 该功能存在于聊天产品中。你的店铺无法向它发送购物者照片和 SKU 图像并拿回一个 URL。
2. 没有固定契约。 服装是否正确落位取决于对话，而非命名的输入字段。
3. 没有批处理路径。 一个想要让 500 个 SKU 由三位品牌模特展示的商品团队，需要队列、重试和回调。

在 API 侧，同一次发布的图像模型以 gpt-image-2.5-flare 和 gpt-image-2.5-sunburst 提供。如果你想了解产品名称如何映射到这些 ID，请参阅 ChatGPT Images 2.5 与 Flare 和 Sunburst 对比。在下面的测试中，我们使用了 Sunburst 的编辑线，因为它是面向精确编辑的层级。

我们如何测试

我们用 gpt-image-2/text-to-image 生成了两组原始输入对，并将它们上传到公开 URL，然后把完全相同的输入对发送给全部四个模型。

• 输入对 1，结构测试。 一位穿着白色 T 恤和浅蓝色牛仔裤的女性，以及一件平铺的芥末黄宽条纹灯芯绒外穿衬衫：五颗纽扣、一个带盖胸袋、尖领、下摆呈弧形且落在腰部以下。
• 输入对 2，印花测试。 一位穿着灰色 T 恤和橄榄色休闲裤的男性，以及一件平铺的米白色 T 恤，上面印有橙色太阳和海军蓝大写字母 SUNDAY CLUB。

设置在各次运行中保持不变：

• FASHN：category: "tops"、garment_photo_type: "flat-lay"、mode: "quality"、output_format: "jpeg"、seed: 42（另加一次 seed: 7 的重复运行）
• Google：仅 person_image_url + product_image_url
• FIBO：两张图像放在 image_urls 中，一句指令，aspect_ratio: "2:3"
• GPT Image 2.5 Sunburst：两张图像放在 image_urls 中，aspect_ratio: "2:3"、resolution: "1K"

每个任务从提交到出结果大约需要 25–60 秒，按 5 秒轮询间隔测量。全部 12 个任务都在首次提交时成功。

测试 1：灯芯绒外穿衬衫（结构与长度）

从左到右：FASHN、Google、FIBO、GPT Image 2.5 Sunburst。以下是原始分辨率的上半身，首先展示原始人物照片：

我们观察到的现象：

• 四个模型都保留了芥末黄色、深色纽扣、尖领，以及穿着者左胸上的单一带盖口袋。它们都没有把口袋放到错误的一侧。
• FASHN 把外穿衬衫缩短成了露脐短上衣。灯芯绒条纹被渲染出来，但服装长度错误。
• Google 保留了全长衬衫，下摆落在牛仔裤腰头处，略有蓬松感。脸部、头发和姿态与输入照片最接近。
• FIBO 生成了一件外观合理的衬衫，条纹较柔和。脸部有明显偏移：下颌线、头发体积和表情都与输入不同。
• GPT Image 2.5 Sunburst 是唯一一个复现了落在腰部以下的弧形下摆、与平铺图一致的模型，宽条纹清晰可见，脸部也保持完整。

这可以重复吗？

我们用不同的 seed 重跑了 FASHN，并用相同提示词重跑了 GPT Image 2.5 Sunburst：

FASHN 使用 seed: 7 再次输出偏短：衬衫底部敞开，露出腹部。GPT Image 2.5 Sunburst 两次返回了几乎相同的结果。在这件服装上，FASHN 的长度问题是模式性的，而非偶然。

测试 2：印花 T 恤（标志与文字）

印花是试穿通常出问题的地方，所以这里是特写（FASHN、Google、FIBO、使用我们特定提示词的 GPT Image 2.5 Sunburst，以及使用通用提示词的 Sunburst）：

• FASHN 把印花放大得太多，以至于 SUNDAY 中的 S 顶到衬衫侧面并被部分截断。
• Google 把印花放在自然大小，但第一个字母也落在侧面褶皱上并被部分遮挡。
• FIBO 干净地渲染了太阳和完整的 SUNDAY CLUB，大小接近平铺图。
• GPT Image 2.5 Sunburst 在两次运行中都正确渲染了完整文字，但印花比原图更小且位置更高。
• 四个模型都保留了插兜的手、橄榄色长裤和米色背景。

如果胸前印花、标志或文字对你的商品目录很重要，无论选择哪个模型，都要对印花增加质量控制检查。

编辑器需要详细提示词吗？

我们的 Sunburst 提示词描述了每件服装的细节（口袋位置、条纹宽度、印花布局）。为了检查这有多重要，我们用一段从不提及服装的通用提示词重跑了两个输入对：

图 1 是一个人。图 2 是一件服装的商品照片。让图 1 中的人穿上图 2 中的服装。保持人物的脸、头发、身体、姿态、所有其他服装、背景和光照不变。精确复现服装的颜色、面料、长度、结构细节以及任何印花或文字。写实商品目录照片。

两个结果都站得住脚：外穿衬衫保留了弧形下摆，印花拼写正确。因此一个模板化提示词可以服务整个商品目录，你不需要为每个 SKU 编写提示词。风险则不同：由于编辑模型会改动提示词未保护的内容，请在每个请求中保留“保持不变”列表。

我们为输入对 1 使用的详细版本提示词如下：

图 1 是一个人。图 2 是一件芥末黄色灯芯绒外穿衬衫。让图 1 中的人穿上图 2 中的外穿衬衫，扣好纽扣。保持她的脸、头发、体型、姿态、牛仔裤、运动鞋、背景和光照与图 1 完全一致。精确复现外穿衬衫：相同的芥末黄色、宽条纹灯芯绒、深棕色纽扣、她左胸上的一个带纽扣盖口袋、尖领、带袖口的长袖。写实全身商品目录照片，无文字。

通过一个 API 调用它们

四个模型都使用相同的异步流程：POST /v1/tasks，然后轮询 GET /v1/tasks/{taskId}，直到 status 为 success 或 fail。只有 input 对象会变化。完整契约，包括回调和 Idempotency-Key，见 异步 API 文档。

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": "让图 1 中的人穿上图 2 中的服装。"
                       "保持脸、姿态、其他服装和背景不变。",
        "aspect_ratio": "2:3",
    },
    "gpt-image-2.5-sunburst/image-to-image": {
        "image_urls": [PERSON, GARMENT],
        "prompt": "图 1 是一个人。图 2 是一件服装的商品照片。"
                  "让图 1 中的人穿上图 2 中的服装。"
                  "保持人物的脸、头发、身体、姿态、所有其他服装、"
                  "背景和光照不变。",
        "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"]   # 临时 URL：请下载并存储
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(5)

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

我们运行中得到的三个细节：

• 编辑线拒绝 quality。 向 gpt-image-2.5-sunburst/image-to-image 发送 "quality": "medium" 会返回 400 INVALID_REQUEST: additional properties 'quality' not allowed。请仅使用 resolution 和 aspect_ratio 控制输出尺寸。
• 输出 URL 会过期。 结果 URL 是临时的（expireAt 在任务输出中），因此请下载图像并存储到你自己的存储中。
• 输入必须是公开的 http(s) URL。 四个模型都接收图像 URL，而不是 base64。请先上传购物者照片，再提交任务。

如何选择

在以下情况下选择专用试穿模型（FASHN 或 Google）：

• 购物者或运营人员会提交图像，而你不希望流程中出现任何提示词
• 你希望脸部和姿态尽可能接近输入（Google 在这方面最强）
• 你需要明确的 category 和 garment-photo-type 控制项，以及用于可复现重跑的 seed（FASHN）

在以下情况下选择多参考编辑器（GPT Image 2.5 Sunburst 或 FIBO）：

• 服装结构和长度比零提示词的简洁性更重要（Sunburst 在我们的外穿衬衫测试中最强）
• 每张图像成本是决策因素：Sunburst 1K 为 $0.025，FIBO 为 $0.0575，而专用模型约为 $0.107
• 你想在同一次调用中做超出简单换装的造型，例如扣上还是敞开、塞进还是放出、或更换背景
• 印花和文字必须保持可读（FIBO 和 Sunburst 在我们的测试中都完整拼出了印花）

在以下情况下留在 ChatGPT 中： 你只是一个人，想看看某件商品穿在自己身上的效果。你不需要任何代码。

常见问题

ChatGPT 有虚拟试穿 API 吗？

没有。截至 2026 年 11 月，试穿是 ChatGPT 应用的一项功能，从商品页或上传图像触发。同一次发布的图像模型可作为 API 模型使用，但没有带人物和服装字段的试穿专用接口。在 HiAPI 上，你可以通过 /v1/tasks 调用这些图像模型或专用试穿模型。

哪个模型最接近 ChatGPT 使用的模型？

ChatGPT 的试穿运行在 ChatGPT Images 2.5 上。该次发布的 API 模型是 GPT Image 2.5 Flare 和 Sunburst。我们测试了 Sunburst 的图像到图像线，它接收多张参考图像加提示词。

专用试穿模型比通用图像编辑器更好吗？

不一定。在我们的两项测试中，专用模型更容易调用，人脸也最接近输入；而 GPT Image 2.5 Sunburst 更忠实地还原了服装长度和完整印花。在决定之前，请用你自己的服装分别跑两类模型。每种各一张的成本远低于 $0.25。

每次试穿成本是多少？

截至 2026-11-03，在 HiAPI 上：FASHN Try-On v1.6 $0.1072，Google Virtual Try-On $0.1075，FIBO Edit 1.5 $0.0575，GPT Image 2.5 Sunburst 图像到图像 1K 为 $0.025（2K 为 $0.04，4K 为 $0.06）。请查看定价页面了解当前费率。失败的任务不收费。

我能保持购物者的脸部和姿态不变吗？

专用模型正是为此设计的，Google 在我们的运行中最接近。使用编辑器时，请明确说明（“保持脸、头发、身体、姿态、背景不变”）。我们的通用提示词搭配 Sunburst 很好地保持了脸部，而 FIBO 偏移更多。

可以用于下装或连衣裙吗？

FASHN 的 category 接受上装、下装和连身装的值。Google 的模型页面将常见上装、夹克和连衣裙列为合适的候选。我们这里只测试了上装。

结论

ChatGPT 的试穿是面向购物者的功能。对于产品而言，你需要一个接口，而 HiAPI 上通过一个密钥就有四个可靠的接口。如果你想要最少的集成工作，从 Google Virtual Try-On 开始。如果你想要明确控制和可复现的 seed，使用 FASHN Try-On v1.6。如果服装保真度和成本最重要，用模板化提示词测试 GPT Image 2.5 Sunburst。把同样的两张图像发送给其中两个模型，让你的服装来决定。在写代码之前，你可以在任一模型页面的 Playground 中试用。

相关阅读

• FASHN Try-On v1.6 与 Google Virtual Try-On 对比
• FASHN Try-On v1.6 API：可用的 curl 和 Python 请求
• Google Virtual Try-On API 指南