Ir para o conteúdo principal
Português— Escolher um idioma
Menu

A API de Geração de Imagens em 2026

Aula 1 de 12 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. A API de Geração de Imagens em 2026
  2. O que o GPT Image Altera
  3. Os Dois Principais Endpoints
  4. Instalação e Configuração
  5. Modelo e Preços
  6. O que Vai Aprender

Atualizado em 2 de novembro de 2026 — Modelos de imagem. O modelo gpt-image-1, para o qual este curso foi originalmente escrito, foi descontinuado em 23 de outubro de 2026. Além disso, os modelos gpt-image-1.5, gpt-image-1-mini e chatgpt-image-latest serão retirados de serviço em 1 de dezembro de 2026. Os exemplos agora utilizam o gpt-image-2.5-sunburst, que oferece a maior precisão para edição; o gpt-image-2.5-flare é mais rápido para geração padrão. Ambos os modelos suportam também as definições de qualidade xhigh e max. Os modelos GPT Image devolvem sempre imagens em base64: o parâmetro response_format dos modelos DALL·E mais antigos não é suportado e foi removido do código. Fonte: Image generation (OpenAI).

A API de Geração de Imagens em 2026

A geração de imagens por IA evoluiu significativamente. Em 2026, o GPT Image é o modelo de referência da OpenAI para criar e editar imagens através da API; substitui os agora obsoletos modelos DALL·E 2 e DALL·E 3. Se possui código existente para estas gerações anteriores, encare-o como um ponto de partida para uma reescrita e não como uma base a manter: os parâmetros, os formatos de retorno e, especialmente, as estratégias de engenharia de prompts mudaram todos.

Esta lição apresenta o ecossistema atual, as capacidades do GPT Image e a forma como irá interagir com a API ao longo deste curso.

O que o GPT Image Altera

A primeira grande mudança envolve o texto. As gerações anteriores produziam letras aproximadas, decorativas mas ilegíveis; o GPT Image renderiza tipografia fiel, tornando finalmente viáveis cartazes, banners promocionais e maquetes de interfaces onde a mensagem importa tanto quanto a imagem. A segunda mudança diz respeito à compreensão contextual: o modelo interpreta instruções complexas com nuance, pelo que um prompt de várias frases que descreve uma cena, a sua iluminação e enquadramento produz um resultado coerente em vez de uma colagem de palavras-chave.

Segue-se a edição nativa. Já não precisa de começar sistematicamente numa página em branco: o modelo pode modificar uma imagem existente substituindo uma área interior (inpainting) ou estendendo a imagem para além das suas fronteiras (outpainting). Na prática, alterar o céu numa fotografia de paisagem já não exige regenerar tudo e perder o sujeito no processo. Acrescente-se a isto a consistência estilística mantida através de gerações sucessivas — valiosa ao produzir uma série de ilustrações para o mesmo artigo — e múltiplas opções de resolução, desde formatos quadrados a retrato e paisagem.

Os Dois Principais Endpoints

A API expõe dois métodos, que irá explorar em profundidade nas lições subsequentes. O primeiro cria uma imagem a partir de uma descrição textual.

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))

O segundo recebe uma imagem que fornece e regenera apenas a parte designada por uma máscara.

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"
)

Instalação e Configuração

Instale primeiro o SDK oficial.

pip install openai

De seguida, coloque a sua chave de API num ficheiro .env, nunca codificada diretamente no seu script: um script partilhado ou enviado para um repositório exporia a sua chave.

OPENAI_API_KEY=sk-your-api-key

O cliente recupera-a então automaticamente no arranque, sem que precise de a passar como argumento.

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
client = OpenAI()  # automatically uses OPENAI_API_KEY

Modelo e Preços

Os modelos atuais são o gpt-image-2.5-sunburst, o mais preciso para edição, e o gpt-image-2.5-flare, mais rápido para geração padrão; o gpt-image-1, modelo para o qual este curso foi originalmente escrito, foi descontinuado em 23 de outubro de 2026. Eis as características com que irá lidar constantemente.

ParâmetroValor
Modelogpt-image-2.5-sunburst ou gpt-image-2.5-flare
Resoluções1024×1024, 1024×1536, 1536×1024 recomendadas; dimensões personalizadas possíveis (múltiplos de 16, até 3840 pixels por lado)
Qualidadeslow, medium, high, xhigh, max, auto (padrão)
Formatos de SaídaImagem codificada em Base64, PNG (padrão), JPEG ou WebP
PreçosPor token, varia consoante a qualidade e o tamanho

Tenha em mente um ponto que surpreende os veteranos do DALL·E: os modelos GPT Image nunca devolvem um URL, devolvem sempre uma imagem codificada em base64. Descodifique-a e guarde o ficheiro imediatamente após a geração; a sua aplicação armazena e serve este ficheiro, não a resposta da API.

O que Vai Aprender

O curso progride em quatro etapas. Começa com os fundamentos do GPT Image através da API — geração e edição — antes de avançar para casos de uso concretos em comércio eletrónico, marketing e design. Técnicas avançadas ensinar-lhe-ão depois a construir prompts visuais complexos e a integrar a geração em pipelines de múltiplas ferramentas. A parte final cobre a implementação em produção, incluindo otimização de custos e moderação de conteúdos. Cada lição contém código Python funcional que pode executar diretamente.

Antes de avançar, verifique se o seu ambiente está pronto. Execute este script mínimo: se aparecer um ficheiro de imagem, a sua chave é válida, o SDK está corretamente instalado e pode prosseguir para a próxima lição.

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")