OpenAI GPT-Image-1 完整指南

簡介

GPT-Image-1 是 OpenAI 推出的多模態影像生成模型，能根據文字提示建立寫實與風格化影像，並支援文字渲染、複雜指令遵循及反覆編輯。本文將介紹其核心功能、運作方式、定價、API 使用方法、提示工程技巧，以及與其他影像生成工具的比較。

GPT-Image-1 代表影像生成技術的重要轉變。不同於依賴擴散式架構的舊模型，GPT-Image-1 採用原生多模態設計，整合於 GPT-4o 架構之中，能提供更快速的生成、更準確的指令遵循，以及更強大的複雜編輯能力。

GPT-Image-1 已成為內容創作者、產品設計師、行銷團隊與開發人員快速建立視覺內容的重要工具。無論您是建立第一個影像生成功能，還是擴展至大規模生產系統，本指南都將提供實用策略。

如需將 GPT-Image-1 整合至工作流程，也可以使用 GPT Proto AI API Platform，透過統一的 API 存取多種領先 AI 模型。

提示： OpenAI 已正式推出 GPT-Image-1.5，在原始 GPT-Image-1 於 2025 年 4 月推出數個月後問世。新模型在速度、指令遵循與編輯可靠性方面均有所提升。

GPT-Image-1 究竟是什麼？

GPT-Image-1 是 OpenAI 開發的原生多模態生成式 Transformer，能將文字與影像視為原生輸入。它直接建立於 GPT-4o 的基礎上，而非附加在語言模型上的獨立系統。

傳統影像生成器會接受文字提示並獨立產生影像；GPT-Image-1 則能在相同的神經網路架構中同時處理文字指令與參考影像，從而更深入理解視覺情境，並產生更細緻的結果。

從 DALL-E 到 GPT-Image-1 的發展

OpenAI 的影像生成技術歷經多個階段：DALL-E（2021 年）開創文字轉影像能力；DALL-E 3（2023 年）提升提示遵循能力與安全防護；GPT-Image-1 則重新構想整體架構，將影像生成整合至更廣泛的多模態 GPT 框架中。

這種整合讓 GPT-Image-1 受益於 GPT-4o 廣泛的世界知識、更好的複雜指令理解能力，以及更強的視覺推理能力。

多模態架構解析

GPT-Image-1 採用自回歸架構，而非擴散式架構。它會依序生成影像，一次預測一個視覺 token，方式類似語言模型預測文字。這與反覆修正雜訊影像的擴散模型截然不同。

實際效益是，自回歸模型通常能更快速生成影像，並在整個構圖過程中維持更佳的一致性。

GPT-Image-1 的運作方式

了解 GPT-Image-1 如何生成影像，有助於撰寫更好的提示並預測模型行為。整個流程可分為數個階段。

輸入處理階段

提交文字提示時，GPT-Image-1 會將自然語言描述轉換為 token。這不只是簡單的關鍵字擷取；模型會深入分析提示的語意、主要主體、構圖意圖、風格偏好與空間關係。

若提供參考影像，模型會透過視覺 token 嵌入處理影像，將視覺資訊轉換至與文字相同的 token 空間，因此能精準理解「套用這張參考圖的光線」或「保留風格但變更主體」等要求。

視覺推理階段

模型會建立對目標影像內容的內部表示，包括主要與次要主體、光線、藝術風格、色彩配置、構圖，以及嵌入文字的位置。

• 主要與次要主體及其空間關係

• 光線條件與大氣效果（黃金時刻的光芒、強烈的攝影棚光線、月光）

• 藝術風格與媒材（寫實、水彩、3D 渲染、油畫）

• 色彩配置與構圖（三分法、中央焦點、對角線）

• 文字元素及其位置（若要求嵌入文字）

此階段廣泛運用 GPT-4o 的世界知識。

影像生成階段

GPT-Image-1 不會逐步修正雜訊，而是直接預測影像 token，依序生成視覺資訊並維持整體構圖的一致性。輸出支援三種原生解析度：1024×1024（正方形）、1024×1536（直向）與 1536×1024（橫向）。

GPT-Image-1 的核心功能

大規模指令遵循

GPT-Image-1 最具特色的功能，是解析並執行複雜、多層次指令的能力。它能將詳細提示拆解為各個元件，並忠實呈現每項要求。

即使指令彼此衝突，模型也能理解使用者意圖，而不是簡單平均不同效果。

模型即使同時面對物件數量、精確色彩範圍、空間位置與風格要求，也能維持一致性。

優異的文字渲染能力

影像生成器歷來最困難的任務之一，就是產生可讀文字。GPT-Image-1 在標誌、標籤、雜誌封面、資訊圖表、海報與產品包裝等情境中表現出色。

它理解字體排版慣例，知道標題應大於內文、文字顏色應與背景形成對比，以及文字方向的重要性。

• 可讀的招牌與標籤，具備正確的字母結構

• 雜誌封面，包含清晰可讀的標題

• 資訊圖表，文字清楚且位置適當

• 海報與公告，可維持多種文字大小的層次

• 產品包裝，包含實用的標籤文字

風格多樣性與藝術範圍

GPT-Image-1 能產生涵蓋寫實攝影、插畫、數位藝術、平面設計、動漫與動畫等多種風格的影像。

除了美學風格外，模型也理解不同媒材的特性。

世界知識整合

GPT-Image-1 運用 GPT-4o 從數十億組文字與影像配對中學到的知識，以理解真實世界情境。

• 歷史準確性：產生任何時代的場景，並呈現符合時代的真實細節

• 地理真實性：建立符合當地植物、建築與光線的景觀

• 文化適切性：產生特定文化影像，避免冒犯性刻板印象

• 科學準確性：建立正確的科學圖表、解剖插畫與技術視覺化內容

• 當代知識：生成融入當前時尚趨勢、現代建築與時事背景的影像

多模態影像編輯與轉換

GPT-Image-1 支援四種不同的編輯模式：

文字轉影像編輯：使用自然語言描述現有影像的變更，僅套用指定修改並保留未變更區域。

影像轉影像轉換：上傳影像並要求轉換，可變更藝術風格、調整構圖或重新想像主體，同時保留指定元素。

局部重繪：指定要修改的區域，模型只重新生成該區域並維持與周圍內容的一致性。

外繪：超出原始邊界擴展影像，延伸出符合情境的內容。

這些編輯功能讓設計師能快速測試同一張基礎影像的多種變化，而不必每次從頭開始。

GPT-Image-1 定價結構

以 token 為基礎的定價

OpenAI 使用標準的 token 計價系統為 GPT-Image-1 定價，費用會依實際使用量調整。

文字輸入 token：每 100 萬 token $5；影像輸入 token：每 100 萬 token $10；影像輸出 token：每 100 萬 token $40。

實務上，簡單提示對成本的影響很小，影像輸出才是主要費用來源，並會依解析度與品質設定而變化。

每張影像的成本拆解

標準品質適合社群媒體內容、簡報、草稿與反覆修改；高品質則適合最終交付、大型列印與專業用途。

{api_key}

https://api.openai.com/v1/images/generations

{image_url}