Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Optimigh na Costais

Ceacht 11 as 12 Nuashonraithe 2 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Optimigh na Costais
  2. Tuisc a fháil ar Struchtúr na gCostas
  3. Samhlaigh in Íseal, Seachad in Ard
  4. Ná hÍoc Dhá Uair As an Íomhá Chéanna
  5. Méadaigh go Cruinn
  6. Cuir in Eagar in Ionad Athghiniúna
  7. Bí ar an Eolas faoina bhfuil an tAirgead á Chaitheamh
  8. Cá dtosaíonn tú?

Nuashonraithe an 2 Samhain, 2026 — Múnlaí íomhá. Níor cuireadh an múnla gpt-image-1, ar scríobhadh an cúrsa seo dó ar dtús, ar fáil a thuilleadh ón 23 Deireadh Fómhair, 2026. Cuirfear deireadh le gpt-image-1.5, gpt-image-1-mini, agus chatgpt-image-latest ar an 1 Nollaig, 2026. Úsáideann na samplaí anois gpt-image-2.5-sunburst, a thairgeann an bheachtas is airde d’eagarthóireacht; tá gpt-image-2.5-flare níos tapúla le haghaidh giniúna caighdeánaí. Tacaíonn an dá mhúnla freisin le leibhéil cáilíochta xhigh agus max. Aischuireann múnlaí GPT Image íomhánna i gcónaí i bhformáid base64: ní ghlactar a thuilleadh leis an bparaiméadar response_format ó sheanmhúnlaí DALL·E agus baineadh é as an gcód. Foinse: Giniúint íomhá (OpenAI).

Optimigh na Costais

Sa táirgeadh, stopann giniúint íomhá bheith ina chutamas teicniúil agus bíonn sí ina mír bhuiséid. Tabharfaidh aon fhoireann a tháirgeann cúpla céad íomhá in aghaidh na míosa faoi deara é seo go tapa. Is é an chéad imoibriú—úsáid a shrianadh—an ceann is lú cliste freisin. Clúdaíonn an ceacht seo cúig straitéis a laghdaíonn caiteachas gan dochar a dhéanamh do cháilíocht do sheachadtaí, toisc go ndíríonn siad ar an méid a chaitheann tú amach seachas ar an méid a choinníonn tú.

Tuisc a fháil ar Struchtúr na gCostas

Braitheann costais ghiniúna ar thrí fhachtóir.

FachtóirTionchar ar Chostas
Cáilíocht (low, medium, high)Iolraitheoir díreach
Taifeach (1024, 1536)Níos mó = níos costasaí
Líon na n-íomhánna (n)Costas líneach (n × praghas an aonaid)

Iolraíonn na trí fhachtóir seo a chéile, rud a mhíníonn cén fáth a gcostaíonn taiscéalaíocht míshrianta ord méide níos mó ná an taiscéalaíocht chéanna a dhéantar le disciplín. Liostaíonn an script thíos an cúig chomhcheangal is minice a bhuailfidh tú leo sa táirgeadh. Cé go bhfeicfidh tú méideanna cruinne ar do dheasc OpenAI, léiríonn ord na línte cheana féin scála na gcomhréiteach.

from openai import OpenAI

client = OpenAI()

# Déan comparáid idir costais: an leid chéanna, paraiméadair éagsúla
configs = [
    {"quality": "low", "size": "1024x1024", "label": "Íseal / 1024"},
    {"quality": "medium", "size": "1024x1024", "label": "Meánach / 1024"},
    {"quality": "high", "size": "1024x1024", "label": "Ard / 1024"},
    {"quality": "medium", "size": "1536x1024", "label": "Meánach / 1536"},
    {"quality": "high", "size": "1536x1024", "label": "Ard / 1536"},
]

print("Cumraíocht             | Úsáid (measta)")
print("-" * 50)
for config in configs:
    print(f"{config['label']:22s} | Seiceáil do dheasc OpenAI")

Samhlaigh in Íseal, Seachad in Ard

Is í seo an straitéis is cost-éifeachtaí i bhfad, agus an ceann is fusa a ghlacadh. Le linn na céime taiscéalaíochta, ní bhreithníonn tú mínghrádán: tá tú ag breithniú comhdhéanamh, fráma, agus giúmar foriomlán, agus tá siad sin go léir le feiceáil go foirfe in quality: low. Ní bhíonn ciall le hathrú go high ach don íomhá atá tú i ndáiríre ar intinn agat a fhoilsiú. Foirmlíonn an sreabhadh oibre thíos an seicheamh seo trí chúig dhréacht eacnamaíoch a tháirgeadh agus ansin aon rindreáil deiridh amháin, leis an mbuntáiste breise a bhaineann le hathrú go formáid tírdhreacha (1536×1024) don leagan deiridh. Thart ar 60% na sábhálacha a luaitear ag deireadh na scripte, thar chúig thriail agus aon seachadadh amháin, i gcomparáid le taiscéalaíocht a dhéantar go hiomlán in high.

from openai import OpenAI
import base64

client = OpenAI()

def economical_workflow(prompt: str, output: str, n_drafts: int = 5):
    """
    Sreabhadh oibre dhá chéim:
    1. Dréachtaí tapa i gcáilíocht íseal
    2. Rindreáil deiridh i gcáilíocht ard
    """
    # Céim 1: Taiscéalaíocht tapa
    print("Céim 1: dréachtaí tapa (cáilíocht íseal)")
    drafts = []
    for i in range(n_drafts):
        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="low",
        )

        path = f"draft_{i+1}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        drafts.append(path)
        print(f"  Dréacht {i+1}: {path}")

    # Céim 2: Rindreáil deiridh (tar éis roghnú daonna ar an dréacht is fearr)
    print("\nCéim 2: rindreáil deiridh (cáilíocht ard)")
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"  Rindreáil deiridh: {output}")

    # Achoimre: 5 íseal + 1 ard in ionad 5 ard
    print(f"\nAchoimre: {n_drafts} dréacht íseal + 1 ard deiridh")
    print("Sábhálacha measta: ~60% i gcomparáid le taiscéalaíocht ard-iomlán")


economical_workflow(
    "Léaráid de champas teicneolaíochta glasa le painéil ghrianmhara, stíl ailtireachta",
    "campus_final.png"
)

Ná hÍoc Dhá Uair As an Íomhá Chéanna

I bhfeidhmchlár fíor, tagann an leid chéanna chun cinn i bhfad níos minice ná mar a shamhlófá: úsáideoir ag athnuachan an leathanaigh, script tógála ag athrith giniúna, nó deilbhín a úsáidtear arís ar thrí leathanach. Is muirear gan ghá gach ceann de na cásanna seo. Cuireann an taisce thíos deireadh leo trí hais SHA-256 a ríomh don trioplóid (leid, méid, cáilíocht)—na trí eilimint a chinneann an toradh a bhilleáiltear—agus an hais sin a ghearradh go sé charachtar déag chun ainm comhaid inbhainistithe a chruthú. Tabhair faoi deara an seiceáil os.path.exists: d’fhéadfadh an t-innéacs eolas a bheith aige faoi iontráil ar scriosadh a comhad ón diosca, agus sa chás sin, athghiníonn an cód an íomhá seachas conair mharbh a thabhairt ar ais.

import hashlib
import json
import os
from openai import OpenAI
import base64

client = OpenAI()

CACHE_DIR = "image_cache"
CACHE_INDEX = os.path.join(CACHE_DIR, "index.json")

def load_cache() -> dict:
    """Luchtaíonn an t-innéacs taisce."""
    if os.path.exists(CACHE_INDEX):
        with open(CACHE_INDEX, "r") as f:
            return json.load(f)
    return {}

def save_cache(cache: dict):
    """Sábhálann an t-innéacs taisce."""
    os.makedirs(CACHE_DIR, exist_ok=True)
    with open(CACHE_INDEX, "w") as f:
        json.dump(cache, f, indent=2, ensure_ascii=False)

def generate_with_cache(
    prompt: str,
    size: str = "1024x1024",
    quality: str = "medium"
) -> str:
    """Giníonn íomhá nó filleann an toradh taiscthe."""
    # Cruthaigh eochair uathúil bunaithe ar pharaiméadair
    key_data = f"{prompt}|{size}|{quality}"
    cache_key = hashlib.sha256(key_data.encode()).hexdigest()[:16]

    cache = load_cache()

    if cache_key in cache:
        cached_path = cache[cache_key]["path"]
        if os.path.exists(cached_path):
            print(f"Bualadh taisce: {cached_path}")
            return cached_path
        else:
            print("Taisce imithe in éag, á hathghiniúint...")

    # Níl sé sa taisce: ginigh
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size=size,
        quality=quality,
    )

    path = os.path.join(CACHE_DIR, f"{cache_key}.png")
    os.makedirs(CACHE_DIR, exist_ok=True)
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)

    cache[cache_key] = {
        "prompt": prompt[:100],
        "size": size,
        "quality": quality,
        "path": path
    }
    save_cache(cache)

    print(f"Ginte agus taiscthe: {path}")
    return path


# An chéad ghiniúint: glaoch API
path1 = generate_with_cache("Lógó íostach do thionscnamh teicneolaíochta, gorm agus bán")
# An dara glaoch comhionann: freastal ón taisce
path2 = generate_with_cache("Lógó íostach do thionscnamh teicneolaíochta, gorm agus bán")

Méadaigh go Cruinn

Is cosúil le híoc as prionta taispeántais chun é a chur i sparán é mionsamhail ardtaifigh a ghiniúint a thaispeánfar i gcearnóg 80 picteilín. Is é an leigheas ná stop a chur leis an rogha seo a fhágáil faoi whim an fhorbróra agus ina ionad sin é a dhíorthú ón úsáid dhearbhaithe. Roinneann an foclóir generate_for_usage cásanna ina dtrí theaghlach: formáidí gréasáin bheaga—mionsamhlacha agus avatáir—a oireann go maith le low; gnáthúsáid ghréasáin—ceanntáscanna blag, postanna sóisialta—a éilíonn medium; agus meáin ina bhfuil tábhacht leis an mínghrádán i ndáiríre—bannaí laochra, prionta A4, portfóilí—a thugann údar le high. Léiríonn an dá ghlaoch dheireanacha an bhearna: costóidh an cat spásaire céanna iolraí ag brath ar an bhfuil sé ina mhionsamhail nó ina bhanna leathanaigh bhaile.

from openai import OpenAI
import base64

client = OpenAI()

def generate_for_usage(prompt: str, usage: str, output: str):
    """Roghnaíonn taifeach agus cáilíocht optamach go huathoibríoch."""
    configs = {
        # Úsáid ghréasáin bheag
        "thumbnail": {"size": "1024x1024", "quality": "low"},
        "avatar": {"size": "1024x1024", "quality": "low"},

        # Gnáthúsáid ghréasáin
        "blog_header": {"size": "1536x1024", "quality": "medium"},
        "social_post": {"size": "1024x1024", "quality": "medium"},

        # Úsáid ardcháilíochta
        "hero_banner": {"size": "1536x1024", "quality": "high"},
        "print_a4": {"size": "1024x1536", "quality": "high"},
        "portfolio": {"size": "1024x1024", "quality": "high"},
    }

    config = configs.get(usage, {"size": "1024x1024", "quality": "medium"})

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size=config["size"],
        quality=config["quality"],
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Úsáid {usage} ({config['quality']}/{config['size']}) → {output}")


generate_for_usage("Cat cute i gculaith spásaire", "thumbnail", "cat_thumb.png")
generate_for_usage("Cat cute i gculaith spásaire", "hero_banner", "cat_hero.png")

Cuir in Eagar in Ionad Athghiniúna

Formheasann an cliant an grianghraf ach teastaíonn spéir eile uaidh. Is é an frithghníomh nádúrtha—an ghiniúint iomlán a athrith le leid choigeartaithe—déanann sé íoc as íomhá iomlán duit agus, níos measa fós, cailleann tú an chuid eile den chomhdhéanamh a raibh formheas ag gach duine air. Déileálann images.edit() leis an gcás seo ar phraghas eagarthóireachta: cruthaíonn an fheidhm edit_detail masc a scaoileann an dronuilleog ábhartha amháin, anseo na 300 picteilín barr airde a fhreagraíonn don spéir, agus déanann an leid cur síos ar ábhar an stríoca sin amháin. Ní bhogann an tírdhreach féin picteilín.

import base64
from openai import OpenAI
from PIL import Image, ImageDraw

client = OpenAI()

# In ionad an íomhá iomlán a athghiniúint chun mionsonra a athrú,
# cuir in eagar an t-achar ábhartha amháin.

def edit_detail(image_path: str, zone: tuple, new_content: str, output: str):
    """
    Cuireann mionsonra in eagar in íomhá atá ann cheana.
    zone: (x1, y1, x2, y2) an limistéir le mionathrú
    """
    source = Image.open(image_path)
    mask = Image.new("RGBA", source.size, (0, 0, 0, 255))
    draw = ImageDraw.Draw(mask)
    draw.rectangle(zone, fill=(0, 0, 0, 0))
    mask.save("temp_mask.png")

    response = client.images.edit(
        model="gpt-image-2.5-sunburst",
        image=open(image_path, "rb"),
        mask=open("temp_mask.png", "rb"),
        prompt=new_content
    )

    with open(output, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Mionsonra curtha in eagar: {output}")
    print("Costas: 1 eagarthóireacht in ionad 1 ghiniúint iomlán")


# Sampla: athraigh spéir ghrianghraif amháin
edit_detail(
    "landscape.png",
    (0, 0, 1024, 300),
    "Spéir ghorm le roinnt scamaill bhána clúmhar",
    "landscape_sky_edited.png"
)

Bí ar an Eolas faoina bhfuil an tAirgead á Chaitheamh

Glacann na ceithre straitéis roimhe seo leis go bhfuil a fhios agat cad atá á ithe agat, agus ní thagann an infheictheacht seo go huathoibríoch: tugann deasc an tsoláthraí suim iomlán duit, ach ní briseadh síos de réir tionscadail nó cáilíochta. Líonann log áitiúil an bhearna seo ar chostas forbartha neamhbhríoch. Cuiríonn log_generation líne stampáilte ama le gach glaoch, ag gearradh an leide go 100 carachtar chun é a choinneáil inléite, agus ansin déanann usage_report gach rud a thiomsú de réir leibhéal cáilíochta. Spreagann an briseadh síos seo cinntí: má nochtann do log go ngintear 80% de do chuid íomhánna in high cé go gcríochnaíonn an chuid is mó acu ar phostanna sóisialta, tá do linn sábhála aimsithe agat díreach anois.

import json
import os
from datetime import datetime

USAGE_FILE = "image_usage_log.json"

def log_generation(prompt: str, size: str, quality: str, n: int = 1):
    """Logálann gach giniúint chun costais a rianú."""
    if os.path.exists(USAGE_FILE):
        with open(USAGE_FILE, "r") as f:
            log = json.load(f)
    else:
        log = []

    entry = {
        "timestamp": datetime.now().isoformat(),
        "prompt": prompt[:100],
        "size": size,
        "quality": quality,
        "n_images": n,
    }

    log.append(entry)

    with open(USAGE_FILE, "w") as f:
        json.dump(log, f, indent=2, ensure_ascii=False)


def usage_report():
    """Taispeánann tuarascáil tomhaltais."""
    if not os.path.exists(USAGE_FILE):
        print("Níl aon sonraí tomhaltais ann.")
        return

    with open(USAGE_FILE, "r") as f:
        log = json.load(f)

    total = len(log)
    by_quality = {}
    for entry in log:
        q = entry["quality"]
        by_quality[q] = by_quality.get(q, 0) + entry["n_images"]

    print(f"Giniúintí iomlána: {total}")
    print(f"Briseadh síos de réir cáilíochta:")
    for q, count in sorted(by_quality.items()):
        print(f"  {q}: {count} íomhánna")


usage_report()

Cá dtosaíonn tú?

Ní thairgeann na straitéisí seo go léir an toradh céanna ar iarracht, agus cabhraíonn an tábla seo a leanas leat iad a thosaíochtú.

StraitéisSábhálacha MeastaIarracht
Íseal le haghaidh samhaltú50-70%Íosta
Taisce leideanna10-30% (má tá athrá ann)Meánach
Taifeach oiriúnaithe20-40%Íosta
Eagarthóireacht vs. athghiniúint30-50% (in aghaidh an mhionathraithe)Meánach
Rianú caiteachaisIndíreach (infheictheacht)Meánach

Seasann dhá líne amach go soiléir: éilíonn samhaltú in low agus taifeach a oiriúnú don úsáid iarracht íosta le haghaidh leath na sábhálacha is féidir. Tosaigh leo sin, ansin cuir taisce agus eagarthóireacht spriocdhírithe leis nuair a údaróidh do thoirt é. Ní shábhálann rianú caiteachais féin aon rud go díreach—ach is é a insíonn duit cé acu de na ceithre cinn eile atá ag tabhairt torthaí i ndáiríre i do chomhthéacs sonrach.

Is é an bealach is fearr chun stop a chur le smaoineamh air ná na rialacha seo a chapsúlú i bpointe tachtála amháin. Scríobh fillteán timpeall ar client.images.generate() a chomhtháthaíonn taisce leideanna, oiriúnú uathoibríoch cáilíochta agus taifigh bunaithe ar úsáid dhearbhaithe, agus logáil gach glaoch; ansin rith é ar dheich nginiúint agus léigh an tuarascáil tomhaltais. Ón bpointe sin, sábhálann d’fhoireann iomlán airgead gan aon rud a bheith le cuimhneamh acu.