使用指南
通过 HiAPI API 使用 gpt-image-2.5-sunburst/image-to-image 生成电商产品图片
参考图片、背景替换、生活场景,以及一个可用的 HiAPI 请求
本页内容
为什么图生图适合电商产品照片
文生图擅长凭空创造出并不存在的产品,而这几乎从来不是目录团队需要的东西。你手上已经有了实体产品、包装、标签和配色——你缺的是拍摄每个 SKU 搭配每种背景、每个生活场景所需的时间和预算。
gpt-image-2.5-sunburst/image-to-image 以已有照片作为锚点,并对其应用编辑指令。这在几个具体方面改变了产品图片的成本结构:
- 对真实商品保持忠实。 输入图片携带了形状、材质、颜色和标签版式。模型的任务是在改变你所要求修改的内容的同时保留这些特征,而不是重新构想一个近似的产品。
- 更便宜的迭代。 更换新背景或场景只是修改提示词,而不是预订影棚。你可以在一个下午为同一个 SKU 测试几种生活场景方向,并保留胜出的那个。
- 整套素材的一致性。 因为每张输出都源自一张可比较的原始照片,所以一批编辑结果能保持相似度,而全新生成的图片很少能做到这一点。
何时使用——以及何时不要使用
当产品本身固定、而环境可变时,应选择图生图:为电商平台商品列表替换背景、为广告和落地页制作生活场景、季节性换装,或本地化道具。它也是整理一张尚可但不完美照片的合理工具。
当你要生成从未存在过的概念、当源照片不可用(严重失焦、产品大部分被遮挡),或当你需要以印刷级精度精确还原标签文字时,不要使用它。在这些情况下,重拍或矢量素材胜过任何模型。
一个实用的框架:把源照片视为事实依据,把提示词视为范围明确的指令。你写的每条编辑指令都应回答这个问题:“我要保留什么,我要改变什么?”若请求让这一点含糊不清,质量就会崩塌。
你调用的端点与模型页面所描述的是同一个;本指南余下部分讲的是如何把它喂好。
准备能在编辑后保留的参考图片
模型只能保留它看得见的东西。大多数令人失望的产品编辑结果都可追溯到输入照片,而不是提示词。在发送任何内容之前,先用一份简短的检查清单过一遍源图。
分辨率与锐度
发送你能拿到的最大、最干净的版本。缩小后的缩略图会丢失模型需要保持的精细结构——走线、纹理、小字号排版。如果图片偏软或存在运动模糊,先修复或重拍;在预处理阶段用锐化滤镜很少有帮助,还可能引入光晕,随后被模型放大。
构图与留白
在产品边缘周围留出空白。如果物品接触到画框,模型就没有空间构建新背景,往往会裁切或扭曲主体。四周留有清晰边距的单品拍摄,编辑起来比紧裁图可靠得多,也给你在新场景中重新定位的空间。
主体分离
你不需要像素级完美的抠图,但产品与背景之间干净的分离能搞定大部分工作。一致、低细节的背景(无缝纸、中性渐变、纯色墙面)就足够了。杂乱的背景会与你的指令竞争,并渗入输出结果。
光照与视角
拍摄或选择一张你愿意保留其光照方向的源图,因为编辑会尽量与之匹配。左前方打光的产品会希望新场景中的主光也从左前方来。此外,每个品类要保持一致的相机角度——同一产品行中,俯拍平铺和四分之三主图视角永远不会显得协调。
标签、标志和文字
如果产品上有顾客必须阅读的文字,请确认它在源图中清晰可读。模型会尽力保留,但小号或倾斜的文字最先退化。对于受监管或品牌关键的文案,计划安排人工审核环节,并考虑让带文字的那一面朝向相机。
关于批处理的一点说明
准备多个 SKU 时,要将它们标准化:相同的裁切比例、相同的留白、相同的背景色调。你在这个阶段投入的精力会直接体现为输出的一致性,也能让提示词在整个品类中安全复用。
干净地替换产品背景
背景替换是最常见的电商编辑,也是最容易偷懒写提示词的地方。“新背景”不是指令——只是一厢情愿。模型需要知道新空间长什么样,以及产品应如何置于其中。
描述空间,而不只是写一个词
说明表面、背景和光线。“产品置于哑光白色表面,配柔和渐变背景,左上方大面积漫射主光,产品下方有柔和的接触阴影”会给模型一个可构建的场景。“白色背景”则给了它随意猜测的空间。
明确保留产品条款
每条背景提示词都应携带保留条款:保持产品的形状、比例、颜色、材质和标签文字不变。写这条几乎不费成本,却能显著减少漂移,尤其对轮廓独特的物品。
保护边缘和阴影
干净的抠图来自提及接触和明暗的提示词。要求在产品与表面相接处有自然的接触阴影,并要求边缘在新背景下保持锐利。如果你要把深色背景换成浅色,预计模型需要帮助处理轮廓光——说明产品边缘的受光与新环境一致。
匹配产品自身的光线
如果源图是用单个柔光箱拍摄的,不要要求戏剧性的硬光影棚布景。光线不匹配是商品列表经过合成的明显破绽。描述对源图而言合理的光线,改为变化背景颜色和表面纹理来获得视觉多样性。
平台限制
如果目标平台要求纯白或纯色背景,就明确说明,并要求不要道具、不要可见的表面接缝。如果目标是品牌店面,你有更大的自由度——渐变、细微纹理和匹配的地平面都可以。
每次只迭代一个变量
先改背景,确认产品保留完好,再调整阴影或光照。在一个提示词里同时改几件事,你就无法判断是哪条指令导致失败,而每次失败请求仍然要消耗你的输出成本。
将产品置于生活场景中
生活场景正是图生图发挥价值之处:产品保持可辨识的自身,而周围的世界发生变化。这里的技巧在于比例、光线和合理性。
用几个具体细节锚定场景
场景提示词需要足够的特异性来约束构图,而不必规定每一个像素。说明环境、产品放置的表面、一两个辅助道具以及光线质感。“放在做旧橡木厨房台面上,右侧窗户透入晨光,背景中虚化的陶瓷杯和折叠亚麻布”是可行的。冗长的道具清单则不可行——它会与产品争夺模型的注意力。
把比例搞对
说明产品在现实世界中的尺寸关系,因为模型没有尺子。一个高瓶和一个小唇膏单独看都合理,放在一起就荒谬。提及表面和一个可识别的参照物(一只手、一个标准马克杯、一层搁板)能让比例有据可依。
先匹配源图的光线,再匹配场景
你同时要解决两个光照问题:产品已有的明暗和新环境的光照。如果源图光线漫射均匀,就选择柔和日光的场景,而不是强烈的日落轮廓光。明确写出光线方向,并说明产品的受光应与场景一致。当两者冲突时,你要么得到一个不再与其他拍摄图匹配的重新打光产品,要么得到一个像贴上去的效果。
保持产品清晰、场景次要
说明产品是清晰的焦点主体,环境略微失焦。这一条指令对真实感的提升胜过任何道具清单,还能阻止模型在背景中凭空创造抢眼细节。
变化场景,而非产品
对于品类页面,保持场景模板不变,只在不同 SKU 之间变化一个元素——季节、表面、道具。共享的场景语法能让一组生活场景图片读起来像同一场营销活动,而不是图库照片拼贴。

一个可用的 HiAPI 图生图请求
所有内容都通过一个需要认证的端点,因此无论你编辑什么,请求结构都保持不变。要点是模型 ID、源图片和提示词。
请求
curl -X POST "https://api.hiapi.ai/v1/images/edits" \
-H "Authorization: Bearer $HIAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-image-2.5-sunburst/image-to-image",
"image": "https://your-cdn.example.com/products/sku-1042-source.jpg",
"prompt": "保持产品的形状、比例、颜色、材质和标签文字不变。将背景替换为哑光暖灰色表面和柔和渐变背景,左上方大面积漫射主光,产品下方有自然接触阴影,产品边缘锐利,产品保持为清晰的焦点主体。",
"size": "1024x1024",
"n": 1
}'
image 字段接受托管 URL,或者在你的素材无法公开访问时接受 base64 数据载荷——base64 能让未发布的 SKU 不进入公共 CDN。迭代期间把 n 保持为 1;多个候选会成倍增加成本,也让你更难把质量变化归因于某次提示词编辑。
解读响应
API 返回一个包含 data 数组的 JSON 主体;每个元素携带结果图片(根据你的账户设置,为 base64 或 URL)。检查响应中的创建时间戳以及响应包含的任何用量字段,并将其与请求 ID 一起记录,以便日后核对。
一个最小的 Python 调用如下所示:
import os, requests
resp = requests.post(
"https://api.hiapi.ai/v1/images/edits",
headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
json={
"model": "gpt-image-2.5-sunburst/image-to-image",
"image": source_url,
"prompt": prompt,
"size": "1024x1024",
"n": 1,
},
timeout=180,
)
resp.raise_for_status()
item = resp.json()["data"][0]
实用的接线注意事项
- 将提示词与每份输出一起存储。几周后,只有保留了确切的提示词和源图,胜出的图片才能复现。
- 将传输失败与模型失败分开处理。超时和 5xx 响应可重试;因不支持的尺寸而被拒绝的请求则不可重试。
- 立即下载并持久化输出,而不是依赖临时 URL。
- 把模型字符串放在配置中,而不是散落在代码里,这样将来更换模型只需改一行。
端点参考和支持的参数见模型页面;那里的计费按输出计量,因此减少失败的迭代是控制开销的主要抓手。

处理瑕疵并保持输出一致
即使输入良好、提示词用心,产品编辑仍会以可识别的方式失败。每种失败模式都有标准修复方法。
产品形状漂移
症状:轮廓略有变化——把手变粗、锥度变直。原因:提示词描述场景多于描述产品,模型因此重新诠释了主体。修复:把保留条款放在开头,明确说出形状,并简化场景描述。如果漂移持续,源图构图很可能太紧。
标签文字丢失或错乱
症状:品牌名称变成看似合理的乱码符号。原因:源图中文字太小、倾斜或对比度低。修复:从更清晰、更正面的源图开始;说明标签文字和标志保持不变且清晰可读;避免在标签区域后方添加繁重背景细节。对于受监管文案,无论如何都要计划人工审核。
整套素材构图不一致
症状:品类中每张图片的比例和角度都不同。原因:源图裁切和逐图提示词不一致。修复:编辑前统一源图留白和相机角度,并在批次中复用一个提示词模板,只改变场景变量。
边缘光晕和漂浮产品
症状:产品周围有亮边,或无阴影的物体看起来像贴上去的。原因:源图与请求场景之间的光线不匹配。修复:明确要求自然的接触阴影,说明光线方向,并选择光照与源图拍摄相匹配的环境。
过度编辑的塑料感
症状:纹理被抹平,布料过于干净。原因:提示词要求“精致”或“专业”却没有限制修图。修复:要求保留原始纹理、材质颗粒和磨损痕迹。
通用规则
每次迭代只改一个变量,每条提示词带一个保留条款,并固定源照片标准。当输出失败时,先问输入照片是否足够好——大多数时候答案是否定的。
将图片编辑融入目录工作流
一个可用的单次请求不是一条流水线。要把它变成目录规模的产出,主要靠围绕模型调用的工程纪律。
在入库时标准化输入
构建一个小型预处理步骤:裁切到标准比例、添加固定留白,并在图片到达 API 之前标记低分辨率或模糊的源图。一个拒绝劣质输入的预检,比任何提示词调优都能节省更多开销。
按模板批处理,而非按 SKU
将产品分为品类,每个品类给一到两个提示词模板。运行批次,然后按模板查看缩略图总览。修改模板并重跑该品类,比逐项手工编写提示词便宜得多,也能保持视觉语法一致。
分两轮审核
第一轮是快速淘汰:产品看起来像它自己吗?文字可读吗?边缘干净吗?第二轮是依据品牌指南的设计审核。尽可能自动化机械检查——用图片哈希对照源图检查严重漂移,对交付物做分辨率和格式验证。
附上来源信息
将源图片、提示词、模型 ID 和时间戳与每份输出一起存储。当产品经理问为什么某张主图看起来不同时,答案应该是两条提示词记录的差异,而不是一次调查。
分阶段推广
从背景替换开始,这是风险最低的编辑;等模板稳定后再转向生活场景。先在一个品类推广,再推广到整个目录,并保留按需重新生成任意单项的能力。
知道模型止于何处
流水线并不能替代旗舰 SKU 对摄影师的需求,也不能替代对产品宣称的法律审核。把生成的编辑结果视为一个生产层级,把影棚预算留给那些以保真度为核心卖点的图片。
如果你准备好用自己的目录来测试它,上面的请求结构就是你在 HiAPI 上开始使用 gpt-image-2.5-sunburst/image-to-image 所需的全部内容。