TokenLab expande suporte à API de edição de imagens do GPT

A TokenLab expandiu sua API de edição de imagens para oferecer suporte aos fluxos de trabalho de edição de imagens do GPT mais recentes, incluindo entradas de múltiplas imagens e polling de tarefas assíncronas para o gpt-image-2. Se você está criando recursos de edição sobre os modelos GPT Image, o endpoint de edição agora lida tanto com uploads multipart quanto com referências de imagem em JSON, com modo assíncrono disponível para tarefas maiores ou mais lentas.

Principais pontos

• O endpoint de edição de imagens aceita tanto uploads de arquivos multipart quanto referências de imagem em JSON para famílias de modelos suportadas.
• O gpt-image-2 suporta múltiplas imagens de origem em uma única solicitação de edição.
• O modo assíncrono retorna uma referência de tarefa que você consulta (poll) para verificar a conclusão, sendo este o caminho recomendado para edições com múltiplas imagens ou de alta latência.
• As integrações existentes criadas no endpoint de edição padrão continuam funcionando sem alterações; o suporte assíncrono é um recurso adicional.

O que mudou

A edição de imagens tornou-se uma das partes mais exigentes de qualquer interface de produto de IA. Os usuários querem enviar uma foto, descrever uma alteração e obter um resultado rapidamente, mas solicitações de edição que envolvem múltiplas imagens de referência ou saídas de maior resolução levam mais tempo do que uma chamada HTTP síncrona típica permite confortavelmente. Essa lacuna tem sido o principal ponto de atrito para equipes que desenvolvem sobre modelos GPT Image através da TokenLab.

A atualização aborda isso diretamente. O endpoint /images/edit agora reconhece quando uma solicitação é destinada ao gpt-image-2 e oferece dois caminhos: uma chamada síncrona padrão para edições simples de imagem única e um modo assíncrono para qualquer coisa mais complexa. Solicitações com múltiplas imagens de origem, telas maiores ou instruções de prompt mais pesadas são candidatas naturais para o modo assíncrono, já que levam mais tempo para serem concluídas e você não quer uma conexão de cliente aberta esperando por elas.

Esta não é uma alteração que quebra a compatibilidade. Se sua integração já chama o endpoint de edição de forma síncrona, ela continuará funcionando. O caminho assíncrono é opcional, acionado por um parâmetro de solicitação, e o formato da resposta para chamadas síncronas permanece inalterado.

Uploads Multipart vs. Referências de Imagem em JSON

Uma melhoria prática que vale a pena destacar: o endpoint de edição aceita imagens de duas maneiras diferentes, e você pode escolher a que melhor se adapta à sua stack.

Uploads de formulário multipart. Se sua aplicação já possui os bytes da imagem em mãos, seja de um upload de usuário ou de um ativo gerado, você pode enviá-los diretamente como dados de formulário multipart. Este é o caminho mais simples para códigos do lado do servidor que estão fazendo proxy de um arquivo diretamente de um upload do cliente.

Referências de imagem em JSON. Se suas imagens já residem em algum lugar acessível por URL, ou se você as gerou anteriormente em uma solicitação da TokenLab e tem uma referência para reutilizar, você pode passar essa referência no corpo JSON. Isso evita o reenvio de bytes que você já possui e é geralmente a melhor escolha para pipelines que encadeiam etapas de geração e edição.

Ambas as abordagens funcionam com solicitações de edição do GPT Image. Qual usar é uma questão de qual formato seus dados já possuem, não uma troca funcional. Se você está construindo um pipeline que gera uma imagem, verifica-a e depois a edita, o caminho da referência JSON geralmente economiza uma etapa de upload redundante.

Edições de múltiplas imagens com o gpt-image-2

A maior adição funcional é o suporte a múltiplas imagens para o gpt-image-2. Em vez de editar uma única imagem de origem, agora você pode passar várias imagens em uma única solicitação de edição e deixar o modelo usá-las em conjunto, por exemplo, combinando uma foto de um sujeito com um plano de fundo de referência ou aplicando uma transferência de estilo usando uma segunda imagem como guia.

Como as edições de múltiplas imagens exigem mais trabalho por solicitação, elas também são o caso mais claro para o uso do modo assíncrono. Enviar várias imagens e um conjunto complexo de instruções através de uma chamada síncrona significa manter uma conexão aberta pelo tempo que o modelo precisar, o que é inadequado para a maioria dos timeouts de cliente e configurações de balanceador de carga. O modo assíncrono evita isso: você envia a solicitação, recebe uma referência de tarefa imediatamente e consulta o resultado conforme sua própria conveniência.

Modo Assíncrono: Quando e como usar

O modo assíncrono funciona da mesma maneira em todas as partes da API da TokenLab que o suportam. Você envia sua solicitação de edição com o sinalizador (flag) assíncrono ativado e, em vez de esperar pela imagem final, você recebe um identificador de tarefa imediatamente. A partir daí, você consulta um endpoint de status até que a tarefa seja relatada como concluída, momento em que a resposta inclui seu resultado.

Use o modo assíncrono quando:

• Você estiver enviando múltiplas imagens de origem em uma única solicitação de edição.
• Seu prompt ou instruções forem complexos o suficiente para que o tempo de geração seja imprevisível.
• Você estiver executando edições em um job em segundo plano, fila ou processo em lote, em vez de uma solicitação direta voltada ao usuário.
• Você quiser desacoplar o ciclo de vida da solicitação do seu cliente do tempo real de processamento do modelo.

Mantenha o modo síncrono quando:

• Você estiver fazendo uma edição simples de imagem única com um prompt curto.
• Sua aplicação já tiver limites de timeout curtos e preferir falhar rapidamente em vez de consultar (poll).

Lista de verificação de integração

Antes de mudar um fluxo de trabalho para edições com o gpt-image-2, verifique o seguinte:

• Confirme se você está direcionando o endpoint /images/edit e especificando o modelo correto.
• Decida se suas imagens são melhor enviadas como uploads multipart ou referências JSON, com base em onde elas residem atualmente em seu pipeline.
• Se sua edição envolver mais de uma imagem de origem, ative o modo assíncrono em vez de assumir uma resposta síncrona.
• Implemente um loop de polling com backoff razoável para tarefas assíncronas, em vez de polling intenso.
• Trate o estado de tarefa pendente explicitamente em seu código de cliente, distinto de um estado final de erro ou sucesso.
• Teste com sua maior contagem esperada de imagens e comprimento de prompt antes de enviar para produção.

Exemplo de solicitação

curl -X POST https://api.tokenlab.sh/v1/images/edit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "images": ["ref://your-image-reference-1", "ref://your-image-reference-2"],
    "prompt": "combine these into a single edited scene",
    "async": true
  }'

Ajuste os valores de referência e o prompt para corresponder ao seu pipeline real. Para uploads multipart, substitua as referências de imagem JSON por um corpo de formulário multipart padrão.

Perguntas frequentes

O modo assíncrono altera a qualidade ou o formato da saída das edições do gpt-image-2? Não. O modo assíncrono apenas altera a forma como você recupera o resultado. O modelo processa a solicitação da mesma maneira; você está simplesmente consultando a imagem finalizada em vez de esperar em uma conexão aberta.

Posso misturar uploads multipart e referências de imagem JSON na mesma solicitação? O endpoint foi criado para aceitar um estilo de entrada por solicitação. Escolha o que corresponder ao local onde seus dados de imagem residem atualmente e converta se precisar combinar fontes de ambos os formatos.

Preciso alterar as integrações de edição de imagem única existentes? Não. Chamadas de edição síncronas de imagem única continuam a funcionar exatamente como antes. O modo assíncrono e o suporte a múltiplas imagens são recursos adicionais que você escolhe usar quando precisar.

Fontes e Atualidade

Esta atualização reflete o comportamento da API da TokenLab observado em 07/07/2026. Para a referência atual do endpoint, consulte a documentação da API de edição de imagens e o guia de geração de imagens. Para comparações mais amplas de modelos, veja Best AI Image Models API 2026.

Comece agora

Se você está criando recursos de edição de imagem e deseja uma única superfície de API entre o GPT Image, Nano Banana Pro e outros modelos de imagem, a TokenLab oferece um ponto de integração com suporte para fluxos de trabalho síncronos e assíncronos. Verifique a documentação e obtenha uma chave de API para começar a testar as edições do gpt-image-2 hoje mesmo.

Leitura relacionada e próximos passos

Se você está decidindo como a edição de imagens do GPT se encaixa no seu pipeline de imagens mais amplo, alguns recursos podem ajudar. Comece com o Best AI Image Models API Guide: How to Choose Image Generation and Editing Models para uma comparação dos principais provedores e suas capacidades de edição. Se você está comparando a oferta da OpenAI com a do Google, GPT Image API vs Gemini Image API: How to Choose detalha os pontos fortes, estruturas de preços e casos de uso para cada um. E se você quiser uma opção de edição rápida e de baixo custo ao lado do GPT Image, o Nano Banana API Guide: Image Generation and Editing Through TokenLab cobre a configuração e exemplos práticos.

A disponibilidade de modelos, limites de taxa e preços podem mudar, portanto, confirme os detalhes atuais antes de escalar qualquer fluxo de trabalho para produção de alto volume.

Pronto para começar a construir? Crie uma chave de API e teste a edição de imagens do GPT ao lado de outros modelos suportados em minutos.