GPT Image 2.5 API : tarifs de Flare et Sunburst

GPT Image 2.5 API : prix par image et choix du modèle

Sur Orux AI, GPT Image 2.5 API coûte 5.4 Credits ($0.027) par image 1K, 9 Credits ($0.045) par image 2K et 14.4 Credits ($0.072) par image 4K. Flare et Sunburst ont le même tarif. OpenAI ne publie pas de prix fixe par image pour ces modèles : la facturation est de $30 par million de tokens de sortie d'image, selon la qualité et la taille. Voici les prix, les différences entre les variantes, une requête Python et un exemple enregistré examiné en détail dans l'article original.

Prix par image de GPT Image 2.5

Orux AI facture un montant fixe par image terminée, selon le champ resolution. Le tableau compare cette tarification à celle d'OpenAI par tokens et à une offre tierce par image, relevées le 29 octobre 2026.

Faites défiler horizontalement pour voir tout le tableau.

Sources : OpenAI GPT Image 2.5 Sunburst, OpenAI GPT Image 2.5 Flare, tarifs de l'API getimg.ai, et pages Orux de Flare et Sunburst. Orux AI facture en Credits, avec une équivalence fixe de 1 Credit = $0.005. Les montants en dollars entre parenthèses servent seulement à comparer.

Deux réserves sont nécessaires :

• Le coût OpenAI dépend du nombre de tokens de sortie produits pour la qualité et la taille choisies. Les qualités vont de low à max, avec auto. OpenAI précise que son calculateur GPT Image 2 n'estime pas la consommation de GPT Image 2.5. Sans nombre publié de tokens par image, nous ne pouvons pas annoncer une économie à conditions identiques face à OpenAI en direct.
• Le schéma de requête Orux AI de ces modèles ne contient pas quality. Il propose résolution et format, mais pas le niveau de qualité OpenAI. Si votre processus exige low pour des brouillons économiques, envisagez OpenAI en direct.

Un tarif fixe rend le budget prévisible : 1,000 images 2K représentent 9,000 Credits ($45). Les échecs ne sont pas facturés ; une tâche image est débitée uniquement lorsqu'elle atteint SUCCESS. Si le prix prime, Nano Banana 2.1 coûte moins cher sur Orux dans les trois tailles : 3.6 / 5.4 / 8.1 Credits pour 1K / 2K / 4K. Le classement complet figure dans les API de génération d'images les moins chères, en anglais.

Flare ou Sunburst : les différences

Aucune différence de prix, et les paramètres acceptés sur Orux AI sont identiques. Les distinctions concernent le positionnement d'OpenAI et les durées historiques relevées dans l'article original.

Faites défiler horizontalement pour voir tout le tableau.

Les moyennes de 67 et 125 secondes proviennent des pages modèles d'octobre 2026, avec seulement cinq tâches terminées par modèle. Sunburst était plus lent dans cet échantillon, mais les conditions n'étaient pas contrôlées. Ces observations ne désignent pas un vainqueur général et ne garantissent aucun délai actuel. Charge, requête et résolution font varier l'attente.

OpenAI destine Sunburst aux travaux demandant une édition précise. D'après ce positionnement, Flare peut servir de départ pour les brouillons, les photos de produit et les séries de propositions ; dans cet échantillon historique, sa durée moyenne était environ deux fois plus courte. Envisagez Sunburst pour retoucher une image existante ou finaliser de petits textes et des détails. Il s'agit d'une piste d'essai fondée sur le fabricant et des observations limitées, pas d'un classement de qualité issu d'un test contrôlé. Un prix identique à l'image ne signifie pas non plus que l'attente soit la seule différence dans le coût de production.

Générer une image avec Python

La génération Orux AI est asynchrone : soumettez une tâche, interrogez son état, puis téléchargez le résultat. Cet endpoint ne propose pas de callbacks et les URL de résultat sont temporaires ; enregistrez donc le fichier dès la réussite.

# pip install requests pillow
import io, os, time, requests
from PIL import Image

BASE = "https://orux.top/api/v1"
HEADERS = {"Authorization": f"Bearer {os.environ['ORUX_API_KEY']}"}

PRICE = {"1K": 5.4, "2K": 9.0, "4K": 14.4}  # Credits per image, Flare and Sunburst, 2026-10-29

job = {
    "model": "gpt-image-2.5-flare",  # or "gpt-image-2.5-sunburst"
    "input": {
        "prompt": "Studio product photograph of a small matte purple ceramic vase "
                  "on a warm white background, soft natural shadow, no text.",
        "resolution": "2K",
        "aspect_ratio": "3:2",
    },
}

r = requests.post(f"{BASE}/tasks", headers=HEADERS, json=job, timeout=60)
r.raise_for_status()  # 401 bad key, 402 top up your balance, 429 back off and retry
task_id = r.json()["task_id"]
print("submitted", task_id, "| charged only on SUCCESS:", PRICE[job["input"]["resolution"]], "Credits")

while True:
    time.sleep(5)
    t = requests.get(f"{BASE}/tasks/{task_id}", headers=HEADERS, timeout=30).json()
    if t["status"] not in ("QUEUED", "RUNNING"):
        break

if t["status"] != "SUCCESS":
    raise RuntimeError(t.get("error") or t["status"])  # FAILED / EXPIRED are not charged

for i, url in enumerate(t["result"]):
    data = requests.get(url, timeout=120).content  # temporary URL: download now
    img = Image.open(io.BytesIO(data))
    print(f"out_{i}: {img.size[0]}x{img.size[1]}")
    with open(f"out_{i}.{img.format.lower()}", "wb") as f:
        f.write(data)

L'exemple original ne fixe pas de durée totale de polling. En production, prévoyez un délai global et une stratégie d'annulation. Les principaux champs sont :

• prompt : sujet, scène, style et lumière. Chaque requête produit une image.
• resolution : 1K, 2K ou 4K. C'est le paramètre qui modifie ce tarif par image.
• aspect_ratio : auto, 1:1, 3:2, 2:3, 4:3, 3:4, 16:9, 9:16, 21:9, plus 27:16, 16:27, 9:8 et 8:9, réservés à 1K.
• image_urls : jusqu'à 16 références. Omettez ce champ pour créer depuis un texte ; ajoutez-le pour retoucher ou combiner des images.

La retouche utilise la même requête avec des références. Pour modifier le style d'une photo de produit existante :

job["model"] = "gpt-image-2.5-sunburst"
job["input"].update({
    "prompt": "Keep the vase exactly as shown. Replace the background with pale linen "
              "and add a soft window shadow from the left.",
    "image_urls": ["https://example.com/your-vase.png"],  # publicly reachable URL
})

Les URL doivent être accessibles au service. Utilisez un lien public ou signé plutôt qu'un chemin local.

Exemple : une librairie miniature dans un livre

L'examen attentif d'un résultat est plus utile qu'un jugement abstrait sur la qualité. Il s'agit de l'exemple « Miniature bookshop », enregistré sur la page GPT Image 2.5 Sunburst. Cet exemple Orux existant a été étudié pour l'article original ; aucune nouvelle image n'a été produite pour cette traduction.

Les réglages enregistrés sont resolution="2K" et aspect_ratio="3:2". Le fichier public mesure 2048 × 1365. Cette dimension a été constatée pour ce fichier, sans garantie identique pour toute sortie 2K. Voici la requête originale :

A whimsical miniature bookshop built inside a giant teal hardcover book, glowing honey-colored windows, tiny green plants, detailed handcrafted paper diorama on a cream background. The front awning clearly reads exactly "Orux AI". Warm playful illustration, cinematic studio lighting, tactile paper textures.

Trois indices rendent cette échelle impossible compréhensible. À gauche, le dos vertical reste celui d'un livre ordinaire. Les pages empilées au-dessus de la boutique deviennent un toit et transforment le livre en bâtiment. À travers les fenêtres, des étagères et lampes beaucoup plus petites signalent un intérieur habitable. Supprimez un de ces indices : l'image risque de ne montrer qu'un « livre » ou une « boutique », sans réunir les deux. L'auvent rayé et les plantes grimpantes relient les échelles sans ajouter un paysage indépendant.

Le texte de la requête accomplit le même travail : la couverture rigide donne la structure, « paper diorama » apporte les bords tactiles du papier et « honey-colored windows » suggère un intérieur accueillant. L'auvent affiche ici « Orux AI », avec chaque caractère correct. Un résultat réussi est une observation, pas une garantie universelle de texte exact.

À titre de référence, « Desert architecture », sur la page de Flare, utilise aussi 2K et 3:2. Son fichier mesure également 2048 × 1365 et sa petite plaque en laiton porte correctement « Orux AI ». Les requêtes sont différentes : il ne s'agit pas d'une comparaison contrôlée des modèles. On constate simplement que chacun a produit une fois ce texte court correctement avec ces réglages.

Pour adapter l'idée à une semaine de lecture en bibliothèque, changez la métaphore spatiale avant d'accumuler les accessoires. Une bibliothèque mobile dans un atlas ouvert, dont les plis formeraient les murs et une porte unique fixerait l'échelle, constituerait un projet différent. Nous ne l'avons pas généré : c'est une piste à essayer.

Vérifier le texte et la taille avant livraison

Une image comportant des mots doit être relue par une personne avant diffusion. Quatre vérifications sont utiles :

Faites défiler horizontalement pour voir tout le tableau.

La dernière est facile à automatiser : le code Python ouvre déjà le fichier avec Pillow. Ajoutez une assertion sur img.size avant l'envoi au CMS. Cela ne remplace pas la relecture. Gardez les dates, prix et mentions légales en vrai texte de page. Le lettrage décoratif d'une image reste lui aussi à vérifier.

FAQ

Q.Combien coûte GPT Image 2.5 par image ?

Au relevé du 29 octobre 2026, Flare et Sunburst coûtent sur Orux AI 5.4 Credits ($0.027) en 1K, 9 Credits ($0.045) en 2K et 14.4 Credits ($0.072) en 4K. OpenAI n'affiche pas de forfait par image : il facture $30 par million de tokens de sortie d'image, avec un coût variable selon qualité et taille.

Q.Faut-il choisir Flare ou Sunburst ?

D'après le positionnement du fabricant, essayez Flare pour plusieurs propositions et Sunburst pour l'édition précise et les finitions détaillées. Le prix Orux est identique. Les cinq tâches terminées par modèle en octobre 2026 avaient des moyennes de 67 et 125 secondes. Ces petits échantillons historiques ne garantissent ni la vitesse actuelle ni un classement de qualité.

Q.La résolution change-t-elle le prix ?

Oui, c'est le paramètre qui modifie ce tarif par image sur Orux AI. Pour les deux modèles, 1K coûte 5.4 Credits, 2K coûte 9 et 4K coûte 14.4. Le format, la longueur du texte et le nombre de références ne changent pas cette tarification par image.

Q.Peut-on retoucher une image existante ?

Oui. Fournissez jusqu'à 16 URL publiquement accessibles dans image_urls, avec une instruction précisant ce qu'il faut conserver et modifier. OpenAI positionne Sunburst sur les tâches exigeant une retouche précise. Le format de requête et le tarif sont les mêmes qu'en génération depuis du texte.

Q.Combien de temps prend la génération ?

Les échantillons d'octobre 2026 cités dans l'article original étaient d'environ une minute pour Flare et deux minutes pour Sunburst : 67 et 125 secondes en moyenne sur cinq tâches chacun. Ce ne sont pas des délais actuels garantis. Interrogez l'état toutes les quelques secondes puis téléchargez vite le fichier : les URL expirent.

Sources et prochaine étape

Consultez les exemples de GPT Image 2.5 Flare et GPT Image 2.5 Sunburst, ou les tarifs de Nano Banana 2.1 API, en anglais. Prix vérifiés le 2026-10-29 ; offre getimg.ai vérifiée le 2026-10-30. Sources : documentation OpenAI, tarifs OpenAI, getimg.ai.