Leitfaden zur Auswahl einer AI Image Editing API: Endpoints, Inputs und Kosteneinheiten

Die beste AI-Bildbearbeitungs-API ist selten diejenige mit der besten Demo. Es ist diejenige, deren Endpunkt, Eingabeformat und Abrechnungseinheit zu der Bearbeitung passen, die Ihr Produkt tatsächlich durchführt. Maskenbearbeitungen, referenzgestützte Image-to-Image-Operationen und modellspezifische Bearbeitungsfunktionen teilen sich keinen einheitlichen Vertrag. Wir haben die Edit-Dokumentation von TokenLab und die Live-Modellseiten am 03.10.2026 gelesen; alles Folgende stammt aus diesen Quellen. Bild-Endpunkte wählen kein Standardmodell für Sie aus, senden Sie daher immer explizit ein model.

Wichtige Erkenntnisse

• Maskenbasierte Bearbeitungen erfolgen über POST /v1/images/edits. Nano Banana Referenz-Bearbeitungen erfolgen über POST /v1/images/generations mit operation: "image-to-image".
• Die Abrechnungseinheiten unterscheiden sich. gpt-image-2 und die Gemini-Bildmodelle werden pro Token abgerechnet, während flux-kontext-pro pro Anfrage mit 0,04 $ berechnet wird.
• Die Daten enthalten keinen Benchmark für Inpainting-Qualität, Text-Rendering, Stilerhaltung oder die Wiedergabetreue von Produktfotos. Testen Sie dies mit Ihren eigenen Bildern.
• Lange oder bildübergreifende Bearbeitungen sollten async: true verwenden, sofern das Modell dies unterstützt. Speichern Sie die Task-ID und lesen Sie die endgültige Abrechnung unter Usage aus.
• Überprüfen Sie die Seite jedes Modells auf Preis und Einheit, bevor Sie sich festlegen, da sich die Live-API ändert.

Empfehlungen nach Anwendungsfall

Diese Empfehlungen folgen dem dokumentierten Vertrag und dem aufgeführten Preis. Es handelt sich nicht um Qualitätsrankings, da die Daten keinen Benchmark für Bearbeitungsqualität enthalten. Betrachten Sie jedes Modell als das erste, das Sie in Ihr eigenes Testset aufnehmen sollten.

Ihr Bedarf	Empfehlung	Warum	Quelle
Maskenbasiertes Inpainting	gpt-image-2	Es ist das einzige Modell, dessen Maskenvertrag explizit definiert ist: PNG, gleiche Abmessungen, transparente Bereiche werden bearbeitet.	Edit Image Referenz, 03.10.2026
Viele Quellbilder in einer Bearbeitung	gpt-image-2	Dokumentiertes Limit von 16 Quellbildern. Grok Imagine Edit-Modelle sind auf 3 begrenzt.	Edit Image Referenz, 03.10.2026
Günstigste Referenz-Bearbeitung zum Festpreis	grok-imagine-image	0,02 $ pro Anfrage, der niedrigste Festpreis in unserer Tabelle.	Live-Modell-API, 03.10.2026
Produktform beibehalten, Szene ändern	nano-banana-pro	Das dokumentierte Referenzbeispiel macht genau dies für 0,067 $ pro Bild.	Create Image Referenz, 03.10.2026
Text in bearbeiteten Bildern	Keine Empfehlung	Die Daten enthalten keine Text-Rendering-Informationen für irgendein Edit-Modell.	n/a

Die besten AI-Bildbearbeitungs-API-Kandidaten: Modelle, Einheiten und Preise

Die Tabelle listet jedes Modell aus unserem Datensatz auf, das als bearbeitungsfähig aufgeführt ist oder in der Edit-Dokumentation als Edit-Modell genannt wird. Alle Preise sind öffentliche TokenLab-Preise in USD. Die Live-API-Preise wurden am 02.10.2026 um 16:53:30.068Z aktualisiert, und wir haben jede Seite am 03.10.2026 überprüft.

Modell-ID	Funktionen laut Live-API	Abrechnungseinheit	TokenLab-Preis (USD)	Quelle	Überprüft
gpt-image-2	text-to-image (Edit dokumentiert unter /v1/images/edits)	per_token	3,50 $/1M Texteingabe, 5,60 $/1M Bildeingabe, 21 $/1M Bildausgabe; gecachte Texteingabe 0,875 $/1M	Live-Modell-API	03.10.2026
flux-kontext-pro	image-edit, image-to-image, text-to-image	per_request	0,04 $	Live-Modell-API	03.10.2026
flux-pro-1.0-fill	image-to-image	per_image	0,035 $	Live-Modell-API	03.10.2026
flux-2-pro	image-to-image, text-to-image	per_image	0,03 $	Live-Modell-API	03.10.2026
nano-banana-pro	image-edit, image-to-image, text-to-image	per_image	0,067 $ (Preisspanne bis zu 0,12 $)	Live-Modell-API	03.10.2026
gemini-3-pro-image	image-to-image, text-to-image, vision	per_token	1 $/1M Eingabe, 6 $/1M Textausgabe, 60 $/1M Bildausgabe	Live-Modell-API	03.10.2026
gemini-3.1-flash-image	image-to-image, text-to-image, vision	per_token	0,25 $/1M Eingabe, 1,50 $/1M Textausgabe, 30 $/1M Bildausgabe	Live-Modell-API	03.10.2026
grok-imagine-image	image-to-image, text-to-image	per_request	0,02 $	Live-Modell-API	03.10.2026

Beim Abgleich der Seiten fanden wir drei Unstimmigkeiten. Die Live-API listet gpt-image-2 nur als text-to-image, obwohl die Edit Image Referenz besagt, dass es unter /v1/images/edits unterstützt wird. Die Live-Seiten für flux-pro-1.0-fill und flux-2-pro listen image-to-image, während unser Katalog-Snapshot beide als image-edit kennzeichnet. Und nano-banana-pro listet image-edit, aber die Dokumentation leitet es über /v1/images/generations. Wir betrachten die Dokumentation als maßgeblich für das Routing und die Live-API als maßgeblich für den Preis.

Für die Modelle mit Festpreis ist eine grobe Schätzung eine einfache Multiplikation. Dies sind Schätzungen, keine Angebote, und sie gehen von einer Gebühr pro abgeschlossener Anfrage aus:

• 100 Bearbeitungen mit grok-imagine-image: 100 × 0,02 $ = 2,00 $.
• 100 Bearbeitungen mit flux-2-pro: 100 × 0,03 $ = 3,00 $.
• 100 Bearbeitungen mit flux-pro-1.0-fill: 100 × 0,035 $ = 3,50 $.
• 100 Bearbeitungen mit flux-kontext-pro: 100 × 0,04 $ = 4,00 $.

Die Daten enthalten keine Schätzung pro Bearbeitung für die token-basierten Modelle. gpt-image-2 berechnet Texteingabe, Bildeingabe, gemeldete gecachte Eingabe und Bildausgabe-Token, es ist also kein Modell mit festem Preis pro Bild. Die Daten enthalten keine Token-Anzahlen für eine typische Bearbeitung. Führen Sie einige echte Bearbeitungen durch und lesen Sie die Kosten unter Usage ab, wie im Billing-Leitfaden beschrieben. Die Preisspanne von nano-banana-pro deutet auf Auflösungsstufen hin, aber die Daten ordnen diese Stufen keinen Preisen zu.

Was der Edit-Endpunkt akzeptiert und was nicht dokumentiert ist

Die Edit Image Referenz (überprüft am 03.10.2026) unterstützt einen OpenAI-kompatiblen Multipart-Flow und JSON-Anfragen. Hier ist, was sie für gpt-image-2 angibt:

• Eingabebild. Senden Sie Multipart image, JSON image_url / image_urls oder offizielle images[]-Objekte. Jedes images[]-Objekt enthält genau eine image_url oder file_id. Erstellen Sie file_id-Werte zuerst über /v1/files.
• Mehrere Referenzen. Bis zu 16 Quellbilder, jeweils PNG, JPEG oder WebP, bis zu 50 MiB. Wiederholen Sie das image-Feld in Multipart-Anfragen. Geben Sie in JSON genau eines von image_url, image_urls oder images an.
• Maske. Ein PNG unter 50 MiB mit denselben Abmessungen wie das Quellbild. Vollständig transparente Bereiche markieren, wo die Bearbeitung angewendet wird. In JSON kann mask ein Objekt mit genau einer image_url oder file_id sein.
• Ausgabe. size akzeptiert auto oder WIDTHxHEIGHT. Abmessungen müssen Vielfache von 16 sein, die längste Kante maximal 3840px, das Verhältnis von lang zu kurz maximal 3:1 und die Gesamtpixelzahl zwischen 655.360 und 8.294.400. Senden Sie nicht resolution. background akzeptiert auto oder opaque, nicht transparent.
• Abgelehntes Feld. input_fidelity wird für gpt-image-2 nicht unterstützt; das Senden führt zu 400 unsupported_parameter.
• Remote-URLs. Diese müssen öffentliche http/https-Adressen sein, ohne eingebettete Anmeldedaten oder Fragmente. Sie dürfen nicht auf localhost, private oder reservierte Bereiche auflösen. Limits sind 50 MiB pro Bild, 200 MiB insgesamt pro Anfrage (einschließlich Maske), ein 30s Fetch-Timeout und bis zu 3 Redirects. Das abgerufene Payload muss ein echtes PNG, JPEG oder WebP sein.

Grok Imagine Edit-Modelle (grok-imagine-image, grok-imagine-image-quality) verwenden dieselben Eingabefelder, begrenzen Quellbilder jedoch auf 3. Eine Anfrage mit mehr schlägt mit 400 too_many_images fehl.

Nano Banana ist anders. Die Dokumentation besagt, dass nano-banana-2 und nano-banana-pro Referenzbild-Anfragen unter /v1/images/generations mit operation: "image-to-image" und image_urls entgegennehmen. Sie gehören nicht zu /v1/images/edits. Top-Level images[] und file_id sind Edit-Flow-Formate und werden am Generations-Endpunkt abgelehnt. Hier ist ein dokumentiertes Beispiel für nano-banana-pro, das resolution akzeptiert:

{
  "model": "nano-banana-pro",
  "prompt": "Keep the product shape, change the background to a bright studio setup",
  "operation": "image-to-image",
  "image_urls": ["https://example.com/input/product.png"],
  "aspect_ratio": "1:1",
  "resolution": "2k"
}

Für Google-Bildfamilien besagt die Create Image Referenz, dass aspect_ratio bevorzugt werden sollte und resolution (1k, 2k, 4k) nur dort gesendet werden sollte, wo das Modell dies unterstützt. Modelldetails für nano-banana-2 sind hier verlinkt, aber der Datensatz enthält keinen Preis.

Nicht in den Daten dokumentiert:

• Ob andere Modelle als gpt-image-2 eine mask unter /v1/images/edits akzeptieren, einschließlich flux-pro-1.0-fill und stability-inpaint.
• Wie eine einzelne Maske angewendet wird, wenn Sie mehrere Quellbilder senden.
• Quellbild-Limits für die FLUX- und Nano Banana-Modelle.
• Ob die Bildreihenfolge in einer Multi-Image-Anfrage das Ergebnis beeinflusst.

Lesen Sie die Detailseite des Modells, bevor Sie auf Basis dieser Informationen entwickeln.

Eine vollständige Edit-Anfrage

Diese Anfrage verwendet nur dokumentierte Felder für gpt-image-2: ein Quellbild, eine Maske, einen Prompt, size und async. Sie folgt dem Multipart-Beispiel in der Edit Image Referenz.

curl -X POST "https://api.tokenlab.sh/v1/images/edits" \
  -H "Authorization: Bearer $TOKENLAB_API_KEY" \
  -F "model=gpt-image-2" \
  -F "image=@source.png" \
  -F "mask=@mask.png" \
  -F "prompt=A sunlit indoor lounge area with a pool" \
  -F "n=1" \
  -F "size=1024x1024" \
  -F "async=true"

Mit async=true enthält die Antwort status: "pending", task_id und poll_url, und data bleibt leer. Entfernen Sie die async-Zeile für einen synchronen Aufruf. Ein synchroner Aufruf gibt standardmäßig data[].url zurück oder data[].b64_json, wenn Sie response_format setzen. Pollen Sie die Aufgabe wie folgt:

curl "https://api.tokenlab.sh/v1/tasks/$TASK_ID" \
  -H "Authorization: Bearer $TOKENLAB_API_KEY"

Modelldetails für gpt-image-2 finden Sie auf der Modellseite. Setzen Sie für einen synchronen Aufruf das Timeout Ihres HTTP-Clients auf mindestens 120s, da hochauflösende Anfragen fast eine Minute oder länger dauern können.

Auswahl der besten AI-Bildbearbeitungs-API nach Aufgabe

Die Daten geben Routing, Eingaben und Preise an. Sie enthalten keinen Benchmark für Bearbeitungsqualität, daher erfordert jede Frage nach dem "Besseren" Ihr eigenes Testset.

Inpainting. gpt-image-2 ist das einzige Modell, dessen Maskenvertrag in der Dokumentation explizit definiert ist. Der Katalog listet auch dedizierte Regionen- und Struktur-Tools: stability-inpaint, stability-control-structure und stability-control-sketch. Für Fill- und In-Context-Bearbeitungen gibt es flux-pro-1.0-fill für 0,035 $ pro Bild und flux-kontext-pro für 0,04 $ pro Anfrage. Die Daten geben nicht an, welches sauberere Übergänge erzeugt.

Stilerhaltende Bearbeitungen. Das dokumentierte Referenzbeispiel behält die Form eines Produkts bei und ändert die Umgebung. Das ist das nano-banana-pro-Muster unter /v1/images/generations. flux-kontext-pro listet image-edit-Funktionalität. Keine dieser Behauptungen ist hier hinsichtlich Identitäts- oder Stilerhaltung gebenchmarkt.

Text in Bildern. Die Daten enthalten keine Informationen zum Text-Rendering für irgendein Edit-Modell. ideogram-edit-v3 und ideogram-reframe-v3 existieren im Katalog, aber wir haben keine Daten zur Textqualität gefunden. Testen Sie mit Ihren eigenen Vorlagen, Schriftarten und Sprachen.

Produktfotos. Stellen Sie sich ein Katalogteam vor, das Hintergründe auf tausenden Packshots austauscht. Die Utility-Tools sind der natürliche erste Anlaufpunkt: image-background-remover, image-upscaler und stability-upscale-fast. Deren Preis- und Eingaberegeln sind nicht in unseren Daten enthalten, lesen Sie also die jeweilige Modellseite. Für generative Hintergrundwechsel machen Festpreise pro Anfrage die Batch-Kosten leicht prognostizierbar. Token-Preise machen sie abhängig von Bildgröße und Ausgabe.

Eingabeanforderungen sind modellspezifisch, nicht anbieterabhängig. Einige Modelle nehmen ein Quellbild plus Prompt, einige eine Maske und einige strukturelle Eingaben. Überprüfen Sie die unterstützten Operationen und Anforderungsfelder jedes Modells auf dessen Detailseite. Sie können die aktuellen Optionen im Modellverzeichnis durchsuchen.

Async-Handling und Kostenbestätigung für Bearbeitungen

Der Image Generation-Leitfaden und der Async Jobs-Leitfaden (beide überprüft am 03.10.2026) beschreiben den Ablauf. async: true ist für gpt-image-2 und offizielle FLUX/BFL Edit-Modelle dokumentiert. Die Erstellungsantwort gibt status: "pending", task_id und poll_url zurück. Pollen Sie die poll_url, wenn vorhanden, oder GET /v1/tasks/{id} für eine feste URL. Statuswerte sind pending, processing, completed und failed. Die Dokumentation empfiehlt, bei langen Medienjobs alle 5–10 Sekunden zu prüfen und bei einem terminalen Status zu stoppen.

Vier Details verursachen die meisten Fehler:

• Ein Status-Lesevorgang gibt HTTP 200 zurück, auch wenn die Aufgabe fehlgeschlagen ist. Verzweigen Sie basierend auf status sowie error_details.code und type bei Fehlern.
• Abgeschlossene Async-Bearbeitungen geben URLs unabhängig von response_format zurück. Verwenden Sie eine synchrone Anfrage, wenn Sie b64_json benötigen.
• Prüfen Sie nach einem Client-Timeout, ob eine Aufgabe existiert, bevor Sie den Erstellungsaufruf wiederholen. Das Wiederholen einer fehlgeschlagenen Generierung erstellt eine neue Aufgabe und kann eine neue Gebühr verursachen.
• Ergebnis-URLs können als Medienkopien für 30 Tage aufbewahrt werden. Prüfen Sie media_retention.items auf den Status jedes Elements und expires_at.

Bezüglich der Kosten besagt der Billing-Leitfaden, dass die Konsole die maximale Schätzung anzeigt, bevor Sie eine kostenpflichtige Generierung bestätigen, und Usage die endgültige Gebühr anzeigt. Eine Async-Aufgabe kann ihre geschätzten Kosten reservieren, wenn sie akzeptiert wird. Eine abgeschlossene Aufgabe wird einmal berechnet, und eine fehlgeschlagene oder abgelaufene Aufgabe gibt den ausstehenden Betrag frei oder erstattet ihn. Lieferoptionen spielen ebenfalls eine Rolle. TokenLab Verified verwendet öffentliche TokenLab-Preise, Official verwendet die offizielle Preisstufe und Auto versucht zuerst Verified, dann Official. Ein Bindestrich in der Preisspalte der Modellseite bedeutet, dass kein Verified-Angebot verfügbar ist, nicht, dass das Modell kostenlos ist. Ein Ausgabenlimit für einen API-Key gibt 402 Payment Required zurück, sobald es erreicht ist.

Speichern Sie request_id, task_id, poll_url, billing_transaction_id (falls vorhanden), das Modell, den Endpunkt und Ihre eigene Job-ID zusammen. In der Praxis klärt dieser Datensatz die meisten Fragen zu Abrechnungsunstimmigkeiten. Die Daten dokumentieren die Aufgabenstornierung nur für Seedance-Videoaufgaben in der Warteschlange. Die Stornierung für Bildbearbeitungen ist nicht dokumentiert, entwerfen Sie Ihren Ablauf also ohne diese Funktion.

FAQ

Kann ich eine Maske an jedes Bildbearbeitungsmodell senden?

Die Daten dokumentieren Masken nur für gpt-image-2 unter /v1/images/edits. Die Maske muss ein PNG unter 50 MiB mit denselben Abmessungen wie die Quelle sein, und transparente Bereiche werden bearbeitet. Prüfen Sie bei anderen Modellen, einschließlich flux-pro-1.0-fill, die Detailseite des Modells, bevor Sie Maskenunterstützung voraussetzen.

Welchen Endpunkt verwenden Nano Banana-Bearbeitungen?

Verwenden Sie POST /v1/images/generations mit operation: "image-to-image" und image_urls. Das Senden von Nano Banana-Referenzanfragen an /v1/images/edits wird nicht unterstützt. Senden Sie auch keine Top-Level images[] oder file_id an den Generations-Endpunkt.

Warum gibt meine gpt-image-2-Bearbeitung 400 unsupported_parameter zurück?

Die am besten dokumentierte Ursache ist input_fidelity, das kein unterstütztes Feld für gpt-image-2 ist. Entfernen Sie auch resolution und jeden background: "transparent"-Wert. Die Tabelle mit häufigen Fehlern rät dazu, jedes Feld zu entfernen, das das Modell nicht dokumentiert.

Werde ich belastet, wenn eine Async-Bearbeitungsaufgabe fehlschlägt?

Der Billing-Leitfaden besagt, dass eine fehlgeschlagene Aufgabe nicht berechnet wird und ihr reservierter Betrag freigegeben oder erstattet wird. Eine abgeschlossene Aufgabe wird einmal berechnet, und der Endbetrag erscheint in Usage mit einer billing_transaction_id. Wenn Usage nach Ende der Aufgabe immer noch nichts anzeigt, kontaktieren Sie support@tokenlab.sh mit der Request-ID und Task-ID.

Um die oben genannten Anfragen auszuführen, erstellen Sie einen API-Key unter Konsole → API Keys (Key-Limits werden im Billing-Leitfaden erklärt), exportieren Sie ihn als TOKENLAB_API_KEY und vergleichen Sie Ihre Beispielbearbeitungen mit den endgültigen Kosten unter Usage.