Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Créer des images à partir d'un prompt

Lezione 2 di 12 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Créer des images à partir d’un prompt
  2. Anatomie d’un appel de génération
  3. Récupérer l’image générée
  4. Générer plusieurs images en un seul appel
  5. Rédiger des prompts efficaces
  6. Gestion des erreurs

Mis à jour le 2 novembre 2026 — Modèles d’image. gpt-image-1, le modèle pour lequel ce cours a été initialement rédigé, a été arrêté le 23 octobre 2026. gpt-image-1.5, gpt-image-1-mini et chatgpt-image-latest seront retirés le 1er décembre 2026. Les exemples utilisent désormais gpt-image-2.5-sunburst, qui offre la plus haute précision pour l’édition ; gpt-image-2.5-flare est plus rapide pour la génération standard. Les deux modèles prennent également en charge les paramètres de qualité xhigh et max. Les modèles GPT Image renvoient toujours les images en base64 : le paramètre response_format utilisé par les anciens modèles DALL·E n’est pas pris en charge et a été supprimé du code. Source : Génération d’images (OpenAI).

Créer des images à partir d’un prompt

La méthode client.images.generate() est ton point d’entrée principal pour créer une image à partir d’une description textuelle. Elle ne repose que sur une poignée de paramètres, mais précisément parce qu’ils sont peu nombreux, chacun compte : la différence entre un résultat aléatoire et un résultat prévisible tient presque entièrement au contenu du champ prompt. Cette leçon t’apprend à maîtriser les deux.

Anatomie d’un appel de génération

Voici la structure complète d’un appel avec tous les paramètres disponibles.

from openai import OpenAI

client = OpenAI()

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="Description détaillée de l'image souhaitée",
    n=1,
    size="1024x1024",
    quality="high"
)
ParamètreTypeDescription
modelstring"gpt-image-2.5-sunburst" (le plus précis) ou "gpt-image-2.5-flare" (le plus rapide)
promptstringDescription de l’image (jusqu’à 32 000 caractères)
nintegerNombre d’images à générer (1 à 10)
sizestring"1024x1024", "1024x1536", "1536x1024"
qualitystring"low", "medium", "high"

La limite de 32 000 caractères pour le prompt est généreuse : elle permet des descriptions très détaillées, et tu verras bientôt que le détail est ton meilleur levier de contrôle.

Récupérer l’image générée

La réponse contient un objet data contenant les images. Les modèles GPT Image renvoient toujours l’image encodée en base64 dans le champ b64_json : tu dois la décoder et l’écrire immédiatement sur le disque. Le paramètre response_format et les URL temporaires des anciens modèles DALL·E ne s’appliquent pas à GPT Image.

import base64

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="Un jardin japonais sous la pluie, photographie",
    n=1,
    size="1024x1024",
)

image_data = base64.b64decode(response.data[0].b64_json)

with open("garden.png", "wb") as f:
    f.write(image_data)

print("Image enregistrée : garden.png")

Une fois le fichier écrit, plus rien ne dépend d’OpenAI : c’est ce fichier que tu stockes, sers ou retravailles.

Générer plusieurs images en un seul appel

Le paramètre n demande plusieurs variantes en une seule requête. Fais-en ton réflexe par défaut lorsque tu explores une direction visuelle sans savoir laquelle conserver : quatre propositions côte à côte t’informent bien mieux qu’une seule.

import base64
response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="Logo minimaliste pour une boulangerie artisanale, fond blanc",
    n=4,
    size="1024x1024",
    quality="high"
)

for i, image in enumerate(response.data):
    with open(f"logo_{i+1}.png", "wb") as f:
        f.write(base64.b64decode(image.b64_json))
    print(f"Variante {i+1} : logo_{i+1}.png")

Surveille toutefois tes coûts : chaque image consomme des tokens indépendamment, et générer 4 images coûte 4 fois le prix d’une seule. Explore avec un n élevé et une qualité faible, en réservant la haute qualité pour la sélection finale.

Rédiger des prompts efficaces

La qualité du résultat dépend directement de la précision de ton prompt. Un bon prompt suit une structure simple — sujet + style + contexte + détails techniques — et la comparaison ci-dessous rend la différence tangible : « une maison » laisse le modèle inventer tout ce que tu n’as pas dit, tandis que la version développée fixe le matériau, la couleur des volets, l’heure de la journée, le registre éditorial et le traitement optique.

# Prompt vague — résultat imprévisible
weak_prompt = "une maison"

# Prompt structuré — résultat contrôlé
strong_prompt = (
    "Maison de campagne provençale en pierre blonde, "
    "volets bleu lavande, lierre sur la façade, "
    "photographiée à l'heure dorée, "
    "style éditorial pour un magazine d'architecture, "
    "composition centrée, profondeur de champ"
)

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=strong_prompt,
    size="1536x1024",
    quality="high"
)

Déclare le style visuel de la même manière, en nommant un support plutôt qu’en espérant une intention. GPT Image comprend une grande variété de registres, et la boucle suivante te permet de sentir l’écart entre eux sur un sujet strictement identique : le vélo devant le café parisien change complètement de nature selon que tu demandes une photographie éditoriale, une illustration vectorielle plate ou un croquis au crayon.

import base64
styles = [
    "photographie éditoriale, éclairage de studio",
    "illustration vectorielle flat design",
    "aquarelle sur papier texturé",
    "rendu 3D photoréaliste, Octane Render",
    "croquis au crayon sur papier kraft",
]

for style in styles:
    prompt = f"Un vélo vintage garé devant un café parisien, {style}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium"
    )
    filename = f"bicycle_{styles.index(style) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Style : {style} → {filename}")

Le texte intégré dans l’image mérite une note séparée, car c’est là que GPT Image se distingue clairement de ses prédécesseurs. Donne le message entre guillemets dans le prompt, spécifie la famille de police et le traitement graphique attendu, et le rendu sera lisible.

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=(
        "Affiche promotionnelle avec le texte \"SOLDES D'ÉTÉ -50%\" "
        "en grandes lettres blanches sur un fond dégradé bleu-orange, "
        "typographie sans-serif moderne, style commercial professionnel"
    ),
    size="1024x1536",
    quality="high"
)

Gestion des erreurs

Un script de génération tournant en boucle finira par atteindre une limite de débit ou rencontrer une erreur d’API. Traite ces deux cas distinctement dès le départ : une RateLimitError appelle à une attente et une nouvelle tentative, tandis qu’une APIError nécessite d’examiner le message avant de relancer quoi que ce soit.

import base64
from openai import OpenAI, APIError, RateLimitError

client = OpenAI()

try:
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Un paysage de montagne enneigé au lever du soleil",
        size="1024x1024"
    )
    with open("mountain.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))

except RateLimitError:
    print("Limite de requêtes atteinte. Attendez avant de réessayer.")

except APIError as e:
    print(f"Erreur API : {e.message}")

Pour ancrer tout cela, écris maintenant un script qui génère trois variantes du même sujet dans trois styles différents — photo, illustration, aquarelle — et enregistre chaque image localement au format PNG, en utilisant le format base64 pour la récupération.