Għaqqad il-ġenerazzjoni tal-immaġini ma' għodod API oħra
F'din il-paġna
Aġġornament 2 ta’ Novembru, 2026 — Mudelli tal-immaġini.
gpt-image-1, il-mudell li għalih inkitbet oriġinarjament din il-kors, ġie interrott fil-23 ta’ Ottubru, 2026.gpt-image-1.5,gpt-image-1-mini, uchatgpt-image-latestse jiġu rtirati fl-1 ta’ Diċembru, 2026. L-eżempji issa jużawgpt-image-2.5-sunburst, li joffri l-ogħla preċiżjoni għall-editjar;gpt-image-2.5-flarehuwa aktar mgħaġġel għall-ġenerazzjoni standard. Iż-żewġ mudelli jappoġġjaw ukoll is-settings tal-kwalitàxhighumax. Il-mudelli GPT Image dejjem jirritornaw immaġini f’base64: il-parametruresponse_formatminn mudelli DALL·E aktar qodma mhuwiex appoġġjat u tneħħa mill-kodiċi. Sors: Ġenerazzjoni tal-immaġini (OpenAI).
Għaqqad il-ġenerazzjoni tal-immaġini ma’ għodod API oħra
Waħedha, il-ġenerazzjoni tal-immaġini hija għodda tas-sengħa: tikteb prompt, tikseb fajl. Is-setgħa vera tagħha tiġi meta ssir pass fi ktajjen awtomatizzati—mudell tal-lingwa li jikteb il-prompt, analiżi tal-viżjoni li tiddeskrivi immaġni ta’ referenza, jew ħażna li tippubblika r-riżultat. Din il-lezzjoni turi kif twaħħal dawn il-biċċiet flimkien.
Ħalli mudell tal-lingwa jikteb il-prompt
L-utenti jew il-kollegi tiegħek ma jiktbux prompts viżwali; huma jiktbu briefs. “Għandi bżonn immaġni għal artiklu dwar l-AI fil-kura tas-saħħa, futuristika iżda umana” ma fiha l-ebda kompożizzjoni, dawl jew paletta. Minflok ma titlobhom jitgħallmu l-vokabolarju mil-lezzjoni preċedenti, daħħal mudell tal-lingwa biex jittratta t-traduzzjoni. Assenjah ir-rwol ta’ direttur artistiku fil-messaġġ tas-sistema u obbligah jipproduċi s-saffi speċifiċi tal-prompt, b’istruzzjonijiet stretti biex ma joħroġ xejn għajr dan. Inkella, se tirċievi spjegazzjoni ġentili li mbagħad ikollok tibgħat lil GPT Image.
from openai import OpenAI
import base64
client = OpenAI()
def text_to_image(brief: str, output: str):
"""
Pipeline f'żewġ passi:
1. LLM jiġġenera l-prompt viżwali ottimali
2. GPT Image joħloq l-immaġni
"""
# Pass 1: Iġġenera l-prompt viżwali b'LLM
completion = client.chat.completions.create(
model="gpt-5.6-luna",
messages=[
{
"role": "system",
"content": (
"Int direttur artistiku espert. "
"Ibbażat fuq brief, iġġenera prompt dettaljat għal "
"mudell ta' ġenerazzjoni tal-immaġini. Inkludi: suġġett, kompożizzjoni, dawl, "
"stil, perspettiva, paletta tal-kuluri. "
"Irrispondi biss bil-prompt, l-ebda spjegazzjoni."
)
},
{"role": "user", "content": brief}
]
)
visual_prompt = completion.choices[0].message.content
print(f"Prompt iġġenerat: {visual_prompt[:100]}...")
# Pass 2: Iġġenera l-immaġni
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=visual_prompt,
size="1536x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"Immaġni ġġenerata: {output}")
return visual_prompt
prompt = text_to_image(
"Għandi bżonn immaġni għal artiklu dwar l-intelliġenza artifiċjali "
"fil-kura tas-saħħa. Futuristika iżda umana.",
"ai_health.png"
)
Illustra artiklu minn tarf għal tarf
Artiklu ta’ karatteristika jeħtieġ immaġni tal-qoxra u illustrazzjoni waħda għal kull taqsima. Dawn l-immaġini għandhom jidhru koerenti mingħajr ma jkunu identiċi. Il-funzjoni illustrate_article tapplika din il-loġika billi terġa’ tinjetta l-istil f’kull prompt u tirrepeti t-titolu tal-artiklu kull darba, u tagħti lis-sett sħiħ unità tematika. Żewġ dettalji li jiffrankaw l-ispejjeż jisħqu attenzjoni: il-qoxra tiġi ġġenerata b’kwalità high għax kulħadd jaraha u spiss tiġi kondiviża, filwaqt li l-illustrazzjonijiet tat-taqsimiet jibqgħu f’medium peress li jintwerew iżgħar u aktar baxxi fil-paġna. Għall-ħames taqsimiet f’dan l-eżempju dwar l-AI fir-reklutaġġ, dan il-kompromess inaqqas il-kont mingħajr ma r-readers jinnotaw xejn.
from openai import OpenAI
import base64
import json
client = OpenAI()
def illustrate_article(title: str, sections: list[str], style: str, output_dir: str = "."):
"""
Tiġġenera illustrazzjoni tal-header + waħda għal kull taqsima.
"""
results = []
# Immaġni tal-qoxra
header_prompt = (
f"Immaġni tal-qoxra għal artiklu bit-titolu \"{title}\", "
f"stil {style}, kompożizzjoni panoramika, "
"l-ebda test fl-immaġni, professjonali"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=header_prompt,
size="1536x1024",
quality="high",
)
path = f"{output_dir}/header.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
results.append({"type": "header", "path": path})
print(f"Header: {path}")
# Illustrazzjonijiet tat-taqsimiet
for i, section in enumerate(sections):
section_prompt = (
f"Illustrazzjoni għat-taqsima \"{section}\" "
f"ta' artiklu dwar \"{title}\", "
f"stil {style}, format rettangolari, "
"illustrazzjoni kunċettwali mingħajr test"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=section_prompt,
size="1536x1024",
quality="medium",
)
path = f"{output_dir}/section_{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
results.append({"type": f"section_{i+1}", "section": section, "path": path})
print(f"Taqsima {i+1} ({section[:30]}...) : {path}")
return results
illustrate_article(
title="5 Modi kif l-AI qed Tibdel ir-Reklutaġġ",
sections=[
"Skrinjar Awtomatiku tas-CV",
"Intervisti bil-Video Analiżżati mill-AI",
"Tqabbil Intelliġenti bejn Kandidat u Xogħol",
"Tnaqqis tal-Preġudizzju fir-Reklutaġġ",
"Onboarding Personalizzat",
],
style="illustrazzjoni 3D isometrika, toni blu u vjola",
output_dir="."
)
Iddeskrivi immaġni biex terġa’ tiġġeneraha b’mod differenti
Kif tikseb verżjoni tax-xitwa ta’ pajsaġġ tas-sajf meta għandek biss il-fajl, l-ebda maskra, u l-ebda għodda tal-editjar? Mur permezz tal-lingwa. Il-viżjoni tal-mudell tanalizza l-immaġni u tipproduċi deskrizzjoni preċiża biżżejjed biex isservi bħala prompt għar-rikostruzzjoni—suġġett, kompożizzjoni, dawl, kuluri, stil, perspettiva, umor. Imbagħad tgħaqqad l-istruzzjoni tal-modifika tiegħek ma’ din id-deskrizzjoni. Il-mudell tal-ġenerazzjoni jirċievi prompt sħiħ tat-test fejn biss l-istaġun inbidel, u tikseb immaġni koerenti mal-oriġinali minflok xi ħaġa mhux relatata. Din hija wkoll l-aktar mod affidabbli biex tirriproduċi l-identità viżiva ta’ immaġni ta’ referenza li ma tistax teditja direttament.
from openai import OpenAI
import base64
client = OpenAI()
def analyze_and_vary(image_path: str, instruction: str, output: str):
"""
1. Janalizza immaġni b'GPT Vision
2. Jiġġenera varjant ibbażat fuq l-analiżi
"""
# Pass 1: Analizza l-immaġni
with open(image_path, "rb") as f:
image_b64 = base64.b64encode(f.read()).decode()
analysis = client.chat.completions.create(
model="gpt-5.6-luna",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": (
"Iddeskrivi din l-immaġni fid-dettall biex mudell ta' "
"ġenerazzjoni tal-immaġini jkun jista' jirriproduċiha b'mod feddej. "
"Inkludi: suġġett, kompożizzjoni, dawl, kuluri, stil, "
"perspettiva, umor. Kun preċiż ħafna."
)
},
{
"type": "image_url",
"image_url": {
"url": f"data:image/png;base64,{image_b64}"
}
}
]
}
]
)
description = analysis.choices[0].message.content
print(f"Analiżi: {description[:150]}...")
# Pass 2: Iġġenera varjant modifikat
variant_prompt = f"{description}. Modifika mitluba: {instruction}"
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=variant_prompt,
size="1024x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"Varjant iġġenerat: {output}")
analyze_and_vary(
"original_landscape.png",
"Ibdel l-istaġun mis-sajf għax-xitwa, bil-borra fuq is-saqaf u s-siġar",
"winter_landscape.png"
)
Ipproċessa volumi kbar f’lottijiet
Il-ġenerazzjoni ta’ ħames viżwali tal-prodott f’serje tieħu minuti; il-ġenerazzjoni ta’ ħames mitt sekwenzjalment tieħu l-lejl kollu u tkisser fl-ewwel intopp fin-netwerk. L-installazzjoni hawn taħt issolvi ż-żewġ problemi. Kull kompitu huwa dizzjunarju awtosuffiċjenti li jġorr l-ID tiegħu, il-prompt, il-fajl tal-output, u s-settings. Il-funzjoni tax-xogħol (worker) ddawwar is-sejħa f’blokka try li tirritorna status minflok ma tkisser il-lott kollu: ġenerazzjoni miċħuda ma tiġġarrarx lill-erba’ mija u disgħa u disgħin l-oħra. Imbagħad it-ThreadPoolExecutor jipparallelizza l-eżekuzzjoni, iżda b’max_workers deliberatament baxx—tlieta f’dan l-eżempju—għax il-collo ta’ bottla mhix il-magna tiegħek, iżda l-kwoti tal-API. Ir-rapport finali jgħodd is-suċċessi u l-fallimenti biex tkun taf x’terġa’ tipprova.
from openai import OpenAI
import base64
import json
import time
from concurrent.futures import ThreadPoolExecutor, as_completed
client = OpenAI()
def generate_one_image(task: dict) -> dict:
"""Tiġġenera immaġni waħda minn kompitu."""
try:
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=task["prompt"],
size=task.get("size", "1024x1024"),
quality=task.get("quality", "medium"),
)
data = base64.b64decode(response.data[0].b64_json)
with open(task["output"], "wb") as f:
f.write(data)
return {"id": task["id"], "status": "ok", "path": task["output"]}
except Exception as e:
return {"id": task["id"], "status": "error", "error": str(e)}
def batch_generation(tasks: list[dict], max_parallel: int = 3):
"""Tesegwixxi lott ta' ġenerazzjonijiet b'parallelism ikkontrollat."""
results = []
with ThreadPoolExecutor(max_workers=max_parallel) as executor:
futures = {
executor.submit(generate_one_image, task): task
for task in tasks
}
for future in as_completed(futures):
result = future.result()
results.append(result)
status = result["status"]
print(f" [{status}] {result['id']}")
# Rapport
ok = sum(1 for r in results if r["status"] == "ok")
errors = sum(1 for r in results if r["status"] == "error")
print(f"\nLest: {ok} ok, {errors} żbalji minn {len(tasks)} kompiti")
return results
# Iddefinixxi lott ta' kompiti
tasks = [
{
"id": f"product_{i}",
"prompt": f"Ritratt ta' prodott għall-e-commerce: {product}, sfond abjad, studjo",
"output": f"batch_product_{i}.png",
"quality": "high"
}
for i, product in enumerate([
"arloġġ rose gold",
"nuċċalijiet tax-xemx avjatur",
"brasslet tal-ġilda mibrum",
"ċirku tad-djamant solitaire",
"għonq tal-perla kkultivata",
])
]
results = batch_generation(tasks, max_parallel=3)
Ippubblika direttament fil-ħażna
Il-kitba tal-PNG fid-diska tal-magna li qed tħaddem l-iskript tagħmel sens biss fl-iżvilupp. Fil-produzzjoni, l-immaġni trid tinżel fejn is-sit tiegħek se jiġborha, u d-devjazzjoni permezz tas-sistema tal-fajls lokali ssir punt ta’ falliment mhux meħtieġ. Il-format b64_json jaqbel sew ma’ din it-tneħħija: il-bytes dekodifikati huma mgeżwra f’oġġett BytesIO u mbuttati direttament lejn il-bucket, b’ContentType espliċitu—li mingħajru l-brawżers joffru download minflok ma juru l-immaġni. Il-funzjoni tirritorna l-URL pubbliku, li huwa dak li l-CMS tiegħek fil-fatt jeħtieġ.
from openai import OpenAI
import base64
import boto3
from io import BytesIO
client = OpenAI()
def generate_and_store_s3(prompt: str, bucket: str, key: str):
"""Tiġġenera immaġni u ttella'ha direttament fuq S3."""
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
image_data = base64.b64decode(response.data[0].b64_json)
s3 = boto3.client("s3")
s3.upload_fileobj(
BytesIO(image_data),
bucket,
key,
ExtraArgs={"ContentType": "image/png"}
)
url = f"https://{bucket}.s3.amazonaws.com/{key}"
print(f"Immaġni maħżuna fuq S3: {url}")
return url
# Eżempju
url = generate_and_store_s3(
"Ikona tal-app mobbli: ktieb miftuħ b'stilel, disinn ċatt",
"my-image-bucket",
"generated/app_icon_v1.png"
)
X’iżomm pipeline wieqfa
Il-ħames pipelines f’din il-lezzjoni jaqsmu l-istess iġjene tal-kostruzzjoni. Kull pass jagħmel ħaġa waħda, u jħallik tibdel il-kitba tal-prompt jew il-ħażna mingħajr ma tmiss il-bqija. Kull pass jimmaniġġja l-iżbalji tiegħu stess; inkella, rifjut ta’ moderazzjoni f’nofs lott iwaqqa’ l-katina kollha—dan huwa eżattament dak li jipprevjeni t-try f’generate_one_image. Il-parallelism jibqa’ mrażżan biex jirrispetta l-limiti tar-rata, u fuq dan il-punt, il-kawtela tispiċċa orħos mill-irkupru wara projbizzjoni temporanja.
Jibqgħu żewġ drawwiet inqas viżibbli iżda daqstant deċiżivi. Irreġistra l-prompts attwalment mibgħuta, speċjalment meta miktuba minn mudell tal-lingwa: mingħajr dan il-log, immaġni li tħobb issir irriproduċibbli fit-tieni ġirja. U aħżen fir-riżultati (cache) kull meta l-istess prompt jista’ jerġa’ jirritorna, li l-lezzjoni li jmiss tifformalizza f’sistema sħiħa.
Issa assembla l-katina sħiħa tiegħek: tieħu titolu ta’ artiklu bħala input, titlob lil mudell tal-lingwa għal tliet deskrizzjonijiet ta’ viżwali rilevanti, tiġġenera t-tliet immaġini parallelament, u tipproduċi JSON sommarju li jgħaqqad kull prompt mal-fajl tiegħu. Imbagħad ikollok kollox meħtieġ biex tillustra blog sħiħ mingħajr intervent manwali.