Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Billedgenererings-API'en i 2026

Lektion 1 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Billedgenererings-API’en i 2026
  2. Hvad GPT Image ændrer
  3. De to hovedendepunkter
  4. Installation og konfiguration
  5. Model og prissætning
  6. Hvad du vil lære

Opdateret 2. november 2026 — Billedmodeller. gpt-image-1, modellen dette kursus oprindeligt blev skrevet til, blev udfaset 23. oktober 2026. Derudover vil gpt-image-1.5, gpt-image-1-mini og chatgpt-image-latest blive trukket tilbage 1. december 2026. Eksemplerne bruger nu gpt-image-2.5-sunburst, som tilbyder højeste præcision til redigering; gpt-image-2.5-flare er hurtigere til standardgenerering. Begge modeller understøtter også kvalitetsindstillingerne xhigh og max. GPT Image-modeller returnerer altid billeder i base64: parameteren response_format fra ældre DALL·E-modeller understøttes ikke og er fjernet fra koden. Kilde: Image generation (OpenAI).

Billedgenererings-API’en i 2026

AI-generering af billeder har udviklet sig markant. I 2026 er GPT Image OpenAIs referencemodel til at skabe og redigere billeder via API’en; den erstatter de nu forældede modeller DALL·E 2 og DALL·E 3. Hvis du har eksisterende kode til disse tidligere generationer, bør du betragte den som et udgangspunkt for en omskrivning snarere end et fundament, du skal beholde: parametre, returneringsformater og især strategier for prompt-engineering har alle ændret sig.

Denne lektion introducerer det nuværende økosystem, GPT Images kapaciteter, og hvordan du vil interagere med API’en gennem dette kursus.

Hvad GPT Image ændrer

Det første store skift vedrører tekst. Tidligere generationer producerede tilnærmelsesvise, dekorative, men ulæselige bogstaver; GPT Image gengiver troværdig typografi, hvilket endelig gør plakater, reklamebannere og interface-mockups levedygtige, hvor budskabet er lige så vigtigt som selve billedet. Det andet skift vedrører kontekstuel forståelse: modellen fortolker komplekse instrukser med nuance, så en prompt på flere sætninger, der beskriver en scene, dens belysning og indramning, giver et sammenhængende resultat i stedet for en collage af nøgleord.

Dernæst kommer indbygget redigering. Du behøver ikke længere systematisk starte fra en tom side: modellen kan modificere et eksisterende billede ved at erstatte et indre område (inpainting) eller udvide billedet ud over dets kanter (outpainting). I praksis kræver det at ændre himlen i et landskabsfoto ikke længere, at du regenererer alt og dermed mister motivet i processen. Hertil kommer stilistisk konsistens, der opretholdes på tværs af successive generationer – værdifuldt når du producerer en serie illustrationer til samme artikel – samt flere opløsningsmuligheder, fra kvadratiske til portræt- og landskabsformater.

De to hovedendepunkter

API’en eksponerer to metoder, som du vil dykke ned i i de efterfølgende lektioner. Den første skaber et billede ud fra en tekstbeskrivelse.

import base64
from openai import OpenAI

client = OpenAI()

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="A Breton lighthouse at sunset, watercolor style",
    n=1,
    size="1024x1024"
)

with open("lighthouse.png", "wb") as f:
    f.write(base64.b64decode(response.data[0].b64_json))

Den anden tager et billede, du leverer, og regenererer kun den del, der er udpeget af en maske.

response = client.images.edit(
    model="gpt-image-2.5-sunburst",
    image=open("original_photo.png", "rb"),
    mask=open("mask.png", "rb"),
    prompt="Replace the sky with a starry sky"
)

Installation og konfiguration

Installér først det officielle SDK.

pip install openai

Placér derefter din API-nøgle i en .env-fil; hardkod den aldrig direkte i dit script: et delt script eller et, der push’es til et repository, ville afsløre din nøgle.

OPENAI_API_KEY=sk-your-api-key

Klienten henter den derefter automatisk ved opstart, uden at du behøver at sende den som et argument.

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
client = OpenAI()  # bruger automatisk OPENAI_API_KEY

Model og prissætning

De nuværende modeller er gpt-image-2.5-sunburst, den mest præcise til redigering, og gpt-image-2.5-flare, der er hurtigere til standardgenerering; gpt-image-1, modellen dette kursus oprindeligt blev skrevet til, blev udfaset 23. oktober 2026. Her er de egenskaber, du konstant vil arbejde med.

ParameterVærdi
Modelgpt-image-2.5-sunburst eller gpt-image-2.5-flare
Opløsninger1024×1024, 1024×1536, 1536×1024 anbefales; brugerdefinerede dimensioner er mulige (multipla af 16, op til 3840 pixels per side)
Kvaliteterlow, medium, high, xhigh, max, auto (standard)
Output-formaterBase64-kodet billede, PNG (standard), JPEG eller WebP
PrissætningPer token, varierer afhængigt af kvalitet og størrelse

Husk ét punkt, der overrasker DALL·E-veteraner: GPT Image-modeller returnerer aldrig en URL, men altid et base64-kodet billede. Afkod det og gem filen umiddelbart efter generering; din applikation gemmer og serverer denne fil, ikke API-svaret.

Hvad du vil lære

Kurset skrider frem i fire faser. Du starter med fundamentet for GPT Image via API’en – generering og redigering – før du går videre til konkrete brugstilfælde inden for e-handel, marketing og design. Avancerede teknikker vil derefter lære dig at bygge komplekse visuelle prompts og integrere generering i multi-tool pipelines. Den sidste del dækker produktionssætning, herunder optimering af omkostninger og indholdsmoderation. Hver lektion indeholder funktionel Python-kode, som du kan køre direkte.

Før du går videre, skal du verificere, at dit miljø er klar. Kør dette minimale script: hvis en billedfil dukker op, er din nøgle gyldig, SDK’et er korrekt installeret, og du kan fortsætte til næste lektion.

import base64
from openai import OpenAI

client = OpenAI()

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="A ginger cat sitting on a pile of books, realistic photo",
    n=1,
    size="1024x1024",
    quality="medium"
)

with open("cat.png", "wb") as f:
    f.write(base64.b64decode(response.data[0].b64_json))

print("Image generated: cat.png")