GPT Image 2.5 Sunburst Text to Image

Обзор

GPT Image 2.5 Sunburst Text to Image — endpoint генерации изображений с нуля по текстовому описанию в линейке ChatGPT Images 2.5 от OpenAI, представленной в сентябре 2026 года. Sunburst — прецизионный тир API: OpenAI описывает его как модель с дополнительным уровнем точности для детальной креативной работы при более длительной генерации по сравнению с Flare. В отличие от sibling Edit той же Sunburst-линейки, этот endpoint создаёт кадр с нуля по промпту, без входных референсов. Среди моделей 2.5 он рассчитан на premium text-to-image: продакшн-креатив кампаний, отполированная продуктовая графика и сложные сцены, где важны детализация, фотореализм и точное следование промпту. Flare Text to Image быстрее и лучше подходит для повседневных и высоконагруженных генераций. Поддерживаются уровни качества low–max и разрешения вплоть до 4K. Плата за точность — более долгое ожидание ответа. Важно: результат зависит от ясности промпта; длинный мелкий текст и сложную типографику после генерации стоит проверять вручную.

Сильные стороны

Сценари использования (use cases)

Ограничения и недостатки

Советы

• Организуйте сложный промпт секциями: сцена, субъект, детали и ограничения. Для GPT Image 2.5 Sunburst (T2I) OpenAI прямо советует именованные блоки вместо длинного потока общих слов: назвать цель кадра, композицию, видимые материалы и явные запреты. На precision-тире так проще итерировать финальные кадры и сравнивать варианты без переписывания всего брифа.
• Текст внутри изображения задавайте точной фразой в кавычках и отдельно описывайте шрифт, размер, цвет и место. Официальный гайд OpenAI для Images 2.5: формулировку в кавычках, позицию и типографику; при необходимости буквы бренда посимвольно; «no extra text»; затем проверка орфографии и читаемости. Для мелкого текста и плотных макетов на Sunburst сравните quality medium и high — в независимых тестах короткие надписи лучше на высоких ступенях, но пятнистый фон за текстом встречался на всех.
• Для фотореализма явно пишите «photorealistic» или «real photograph» и описывайте свет, материалы, ракурс и фактуру. OpenAI рекомендует включать photorealistic/real photograph и описывать кадр как съёмку: освещение, текстуры, framing; спецификации камеры — как ориентир вида, а не гарантия физики. Для финальных product/campaign кадров на Sunburst одних mood-слов недостаточно: для cinematic, low-light, rainy или neon сцен добавьте масштаб, атмосферу и цвет.
• Не ставьте quality xhigh или max «на всякий случай» — более высокий tier не гарантирует лучший кадр. У Sunburst есть ступени xhigh и max, но OpenAI предупреждает: выше quality ≠ лучше для каждого промпта, зато растёт latency — на precision-тире генерация и так дольше. В независимых тестах у Sunburst на max иногда появлялась лишняя мягкость, которой не было на medium/high. Начинайте с medium и поднимайте tier только при измеримой нехватке детализации.
• Не отправляйте финальные кадры сразу в 4K — сначала утвердите композицию на 1K. В документации OpenAI выходы с числом пикселей выше примерно 2560×1440 помечены как экспериментальные и менее предсказуемые. Режим 4K у Sunburst доступен, но стабильность заметно переменчивее, чем на 1K/2K. Для продакшена зафиксируйте раскладку и текст на меньшем resolution, затем повышайте размер только для финального прогона.

FAQ

Цены

Параметры

Поля тела JSON-запроса, которые используются в Playground и доступны для настройки через API. Порядок совпадает с формой на странице.

Запрос

Асинхронный запуск: POST https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/text-to-image с заголовком Authorization: Bearer $FLIXA_API_KEY и телом JSON. Ниже — пример с полями из Playground.

curl -X POST "https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/text-to-image" \
  -H "Authorization: Bearer $FLIXA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "prompt": "Превратите это фото товара в премиальную студийную рекламу: мягкий кинематографический свет, чистый бежевый фон, лёгкие тени, реалистичные отражения и эстетика люксового бренда.",
  "quality": "high",
  "resolution": "1k",
  "aspect_ratio": "1:1",
  "output_format": "jpeg"
}'

import json
import os
import requests

url = "https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/text-to-image"
payload = json.loads({"aspect_ratio": "1:1", "output_format": "jpeg", "prompt": "\u041f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0444\u043e\u0442\u043e \u0442\u043e\u0432\u0430\u0440\u0430 \u0432 \u043f\u0440\u0435\u043c\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u0441\u0442\u0443\u0434\u0438\u0439\u043d\u0443\u044e \u0440\u0435\u043a\u043b\u0430\u043c\u0443: \u043c\u044f\u0433\u043a\u0438\u0439 \u043a\u0438\u043d\u0435\u043c\u0430\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0441\u0432\u0435\u0442, \u0447\u0438\u0441\u0442\u044b\u0439 \u0431\u0435\u0436\u0435\u0432\u044b\u0439 \u0444\u043e\u043d, \u043b\u0451\u0433\u043a\u0438\u0435 \u0442\u0435\u043d\u0438, \u0440\u0435\u0430\u043b\u0438\u0441\u0442\u0438\u0447\u043d\u044b\u0435 \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0438 \u044d\u0441\u0442\u0435\u0442\u0438\u043a\u0430 \u043b\u044e\u043a\u0441\u043e\u0432\u043e\u0433\u043e \u0431\u0440\u0435\u043d\u0434\u0430.", "quality": "high", "resolution": "1k"})

response = requests.post(
    url,
    headers={"Authorization": f"Bearer {os.environ['FLIXA_API_KEY']}"},
    json=payload,
    timeout=120,
)
print(response.json())

const response = await fetch(
  "https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/text-to-image",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.FLIXA_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({"aspect_ratio": "1:1", "output_format": "jpeg", "prompt": "\u041f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0444\u043e\u0442\u043e \u0442\u043e\u0432\u0430\u0440\u0430 \u0432 \u043f\u0440\u0435\u043c\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u0441\u0442\u0443\u0434\u0438\u0439\u043d\u0443\u044e \u0440\u0435\u043a\u043b\u0430\u043c\u0443: \u043c\u044f\u0433\u043a\u0438\u0439 \u043a\u0438\u043d\u0435\u043c\u0430\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0441\u0432\u0435\u0442, \u0447\u0438\u0441\u0442\u044b\u0439 \u0431\u0435\u0436\u0435\u0432\u044b\u0439 \u0444\u043e\u043d, \u043b\u0451\u0433\u043a\u0438\u0435 \u0442\u0435\u043d\u0438, \u0440\u0435\u0430\u043b\u0438\u0441\u0442\u0438\u0447\u043d\u044b\u0435 \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0438 \u044d\u0441\u0442\u0435\u0442\u0438\u043a\u0430 \u043b\u044e\u043a\u0441\u043e\u0432\u043e\u0433\u043e \u0431\u0440\u0435\u043d\u0434\u0430.", "quality": "high", "resolution": "1k"}),
  }
);

console.log(await response.json());

Пример ответа

Сразу после POST приходит объект с идентификатором задачи и статусом (queued или processing). Готовый результат — в поле outputs после завершения.

{
  "id": "550e8400-e29b-41d4-a716-446655440000",
  "status": "queued",
  "created_at": "2026-05-22T12:00:00Z"
}

После успешного завершения:

{
  "id": "550e8400-e29b-41d4-a716-446655440000",
  "status": "completed",
  "outputs": [
    { "url": "https://storage.example/result.png", "type": "image" }
  ]
}

Поллинг

Пока задача в работе, опрашивайте GET https://api.flixa.io/v1/predictions/{id}/result с тем же API-ключом. Рекомендуемый интервал — 1–2 секунды; остановитесь при completed, failed или cancelled.

• queued / processing — продолжайте опрос.
• completed — заберите URL из outputs.
• failed — смотрите error в теле ответа.

curl "https://api.flixa.io/v1/predictions/{id}/result" \
  -H "Authorization: Bearer $FLIXA_API_KEY"