TokenLab mở rộng hỗ trợ API chỉnh sửa hình ảnh cho GPT

TokenLab đã mở rộng API chỉnh sửa hình ảnh của mình để hỗ trợ các quy trình làm việc chỉnh sửa hình ảnh GPT mới nhất, bao gồm đầu vào đa hình ảnh và thăm dò tác vụ bất đồng bộ (async) cho gpt-image-2. Nếu bạn đang xây dựng các tính năng chỉnh sửa dựa trên các mô hình GPT Image, endpoint chỉnh sửa hiện đã xử lý cả tải lên multipart và tham chiếu hình ảnh JSON, với chế độ bất đồng bộ khả dụng cho các tác vụ lớn hơn hoặc chậm hơn.

Những điểm chính

• Endpoint chỉnh sửa hình ảnh chấp nhận cả tải lên tệp multipart và tham chiếu hình ảnh JSON cho các dòng mô hình được hỗ trợ.
• gpt-image-2 hỗ trợ nhiều hình ảnh nguồn trong một yêu cầu chỉnh sửa duy nhất.
• Chế độ bất đồng bộ trả về một tham chiếu tác vụ để bạn thăm dò khi hoàn tất, đây là phương thức được khuyến nghị cho các tác vụ chỉnh sửa đa hình ảnh hoặc có độ trễ cao.
• Các tích hợp hiện có được xây dựng trên endpoint chỉnh sửa tiêu chuẩn vẫn tiếp tục hoạt động mà không cần thay đổi; hỗ trợ bất đồng bộ là tính năng bổ sung.

Những thay đổi

Chỉnh sửa hình ảnh đã trở thành một trong những phần đòi hỏi khắt khe nhất của bất kỳ sản phẩm AI nào. Người dùng muốn tải lên một bức ảnh, mô tả thay đổi và nhận lại kết quả nhanh chóng, nhưng các yêu cầu chỉnh sửa liên quan đến nhiều hình ảnh tham chiếu hoặc đầu ra có độ phân giải cao hơn sẽ mất nhiều thời gian hơn mức mà một cuộc gọi HTTP đồng bộ thông thường có thể đáp ứng thoải mái. Khoảng cách đó là điểm gây khó khăn chính cho các nhóm xây dựng trên các mô hình GPT Image thông qua TokenLab.

Bản cập nhật này giải quyết trực tiếp vấn đề đó. Endpoint /images/edit hiện nhận diện khi một yêu cầu được gửi đến gpt-image-2 và cung cấp hai lộ trình: một cuộc gọi đồng bộ tiêu chuẩn cho các chỉnh sửa đơn giản, một hình ảnh và một chế độ bất đồng bộ cho bất kỳ tác vụ phức tạp nào khác. Các yêu cầu với nhiều hình ảnh nguồn, canvas lớn hơn hoặc hướng dẫn nhắc lệnh nặng hơn là những ứng viên tự nhiên cho chế độ bất đồng bộ, vì chúng mất nhiều thời gian hơn để hoàn thành và bạn không muốn kết nối của máy khách bị treo trong khi chờ đợi.

Đây không phải là thay đổi gây lỗi (breaking change). Nếu tích hợp của bạn đã gọi endpoint chỉnh sửa một cách đồng bộ, nó vẫn sẽ tiếp tục hoạt động. Lộ trình bất đồng bộ là tùy chọn, được kích hoạt bởi một tham số yêu cầu và cấu trúc phản hồi cho các cuộc gọi đồng bộ không thay đổi.

Tải lên Multipart so với Tham chiếu hình ảnh JSON

Một cải tiến thực tế đáng chú ý: endpoint chỉnh sửa chấp nhận hình ảnh theo hai cách khác nhau và bạn có thể chọn cách phù hợp nhất với hệ thống của mình.

Tải lên Multipart form. Nếu ứng dụng của bạn đã có sẵn dữ liệu byte hình ảnh, dù là từ người dùng tải lên hay một tài sản đã tạo, bạn có thể gửi chúng trực tiếp dưới dạng dữ liệu multipart form. Đây là lộ trình đơn giản hơn cho mã phía máy chủ (server-side) đang chuyển tiếp tệp trực tiếp từ bản tải lên của máy khách.

Tham chiếu hình ảnh JSON. Nếu hình ảnh của bạn đã tồn tại ở đâu đó có thể truy cập bằng URL, hoặc bạn đã tạo chúng trước đó trong một yêu cầu TokenLab và có tham chiếu để tái sử dụng, bạn có thể chuyển tham chiếu đó trong phần thân JSON thay thế. Điều này tránh việc tải lên lại các byte mà bạn đã có và thường là lựa chọn tốt hơn cho các quy trình kết nối các bước tạo và chỉnh sửa.

Cả hai phương pháp đều hoạt động với các yêu cầu chỉnh sửa GPT Image. Việc sử dụng phương pháp nào là vấn đề về cấu trúc dữ liệu hiện tại của bạn, không phải là sự đánh đổi về chức năng. Nếu bạn đang xây dựng một quy trình tạo hình ảnh, kiểm tra nó và sau đó chỉnh sửa, lộ trình tham chiếu JSON thường giúp tiết kiệm một bước tải lên dư thừa.

Chỉnh sửa đa hình ảnh với gpt-image-2

Bổ sung chức năng lớn hơn là hỗ trợ đa hình ảnh cho gpt-image-2. Thay vì chỉnh sửa một hình ảnh nguồn duy nhất, giờ đây bạn có thể chuyển nhiều hình ảnh trong một yêu cầu chỉnh sửa và để mô hình sử dụng chúng cùng nhau, ví dụ như kết hợp ảnh chủ thể với nền tham chiếu, hoặc áp dụng chuyển đổi phong cách bằng cách sử dụng hình ảnh thứ hai làm hướng dẫn.

Vì các chỉnh sửa đa hình ảnh thực hiện nhiều công việc hơn cho mỗi yêu cầu, chúng cũng là trường hợp rõ ràng nhất để sử dụng chế độ bất đồng bộ. Việc gửi nhiều hình ảnh và một tập hợp hướng dẫn phức tạp thông qua một cuộc gọi đồng bộ có nghĩa là phải giữ kết nối mở trong bao lâu tùy thuộc vào thời gian mô hình cần, điều này không phù hợp với hầu hết các cấu hình timeout của máy khách và bộ cân bằng tải. Chế độ bất đồng bộ giải quyết vấn đề này: bạn gửi yêu cầu, nhận lại tham chiếu tác vụ ngay lập tức và thăm dò kết quả theo lịch trình của riêng bạn.

Chế độ bất đồng bộ: Khi nào và làm thế nào để sử dụng

Chế độ bất đồng bộ hoạt động theo cùng một cách trên các phần của TokenLab API hỗ trợ nó. Bạn gửi yêu cầu chỉnh sửa với cờ async được thiết lập, và thay vì chờ đợi hình ảnh cuối cùng, bạn nhận lại định danh tác vụ ngay lập tức. Từ đó, bạn thăm dò một endpoint trạng thái cho đến khi tác vụ báo cáo là hoàn tất, tại thời điểm đó phản hồi sẽ bao gồm kết quả của bạn.

Sử dụng chế độ bất đồng bộ khi:

• Bạn đang gửi nhiều hình ảnh nguồn trong một yêu cầu chỉnh sửa duy nhất.
• Lời nhắc hoặc hướng dẫn của bạn đủ phức tạp khiến thời gian tạo không thể dự đoán được.
• Bạn đang chạy các chỉnh sửa trong một tác vụ nền, hàng đợi hoặc quy trình hàng loạt thay vì một yêu cầu trực tiếp từ người dùng.
• Bạn muốn tách biệt vòng đời yêu cầu của máy khách khỏi thời gian xử lý thực tế của mô hình.

Giữ chế độ đồng bộ khi:

• Bạn đang thực hiện chỉnh sửa đơn giản, một hình ảnh với lời nhắc ngắn.
• Ứng dụng của bạn đã có ngân sách timeout ngắn và ưu tiên thất bại nhanh thay vì thăm dò.

Danh sách kiểm tra tích hợp

Trước khi bạn chuyển quy trình làm việc sang chỉnh sửa gpt-image-2, hãy kiểm tra các mục sau:

• Xác nhận bạn đang nhắm mục tiêu đến endpoint /images/edit và chỉ định đúng mô hình.
• Quyết định xem hình ảnh của bạn nên được gửi dưới dạng tải lên multipart hay tham chiếu JSON, dựa trên nơi chúng hiện đang tồn tại trong quy trình của bạn.
• Nếu chỉnh sửa của bạn liên quan đến nhiều hơn một hình ảnh nguồn, hãy bật chế độ bất đồng bộ thay vì giả định phản hồi đồng bộ.
• Triển khai vòng lặp thăm dò với thời gian chờ (backoff) hợp lý cho các tác vụ bất đồng bộ thay vì thăm dò liên tục.
• Xử lý trạng thái tác vụ đang chờ (task-pending) một cách rõ ràng trong mã máy khách của bạn, khác biệt với trạng thái lỗi hoặc thành công cuối cùng.
• Kiểm tra với số lượng hình ảnh và độ dài lời nhắc dự kiến lớn nhất của bạn trước khi đưa vào sản xuất.

Yêu cầu ví dụ

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
  }'

Điều chỉnh các giá trị tham chiếu và lời nhắc để khớp với quy trình thực tế của bạn. Đối với tải lên multipart, hãy thay thế các tham chiếu hình ảnh JSON bằng phần thân multipart form tiêu chuẩn.

Câu hỏi thường gặp

Chế độ bất đồng bộ có làm thay đổi chất lượng hoặc định dạng đầu ra của các chỉnh sửa gpt-image-2 không? Không. Chế độ bất đồng bộ chỉ thay đổi cách bạn truy xuất kết quả. Mô hình xử lý yêu cầu theo cùng một cách; bạn chỉ đơn giản là thăm dò hình ảnh đã hoàn thành thay vì chờ đợi trên một kết nối mở.

Tôi có thể trộn lẫn tải lên multipart và tham chiếu hình ảnh JSON trong cùng một yêu cầu không? Endpoint được xây dựng để chấp nhận một kiểu đầu vào cho mỗi yêu cầu. Hãy chọn kiểu phù hợp với nơi dữ liệu hình ảnh của bạn hiện đang tồn tại và chuyển đổi nếu bạn cần kết hợp các nguồn từ cả hai định dạng.

Tôi có cần thay đổi các tích hợp chỉnh sửa một hình ảnh hiện có không? Không. Các cuộc gọi chỉnh sửa đồng bộ, một hình ảnh vẫn tiếp tục hoạt động chính xác như trước. Chế độ bất đồng bộ và hỗ trợ đa hình ảnh là các khả năng bổ sung mà bạn chọn sử dụng khi cần.

Nguồn và độ mới

Bản cập nhật này phản ánh hành vi của TokenLab API được ghi nhận tính đến ngày 2026-07-07. Để biết tham chiếu endpoint hiện tại, hãy xem tài liệu API chỉnh sửa hình ảnh và hướng dẫn tạo hình ảnh. Để so sánh các mô hình rộng hơn, hãy xem Best AI Image Models API 2026.

Bắt đầu

Nếu bạn đang xây dựng các tính năng chỉnh sửa hình ảnh và muốn một bề mặt API duy nhất trên GPT Image, Nano Banana Pro và các mô hình hình ảnh khác, TokenLab cung cấp cho bạn một điểm tích hợp với hỗ trợ cho cả quy trình làm việc đồng bộ và bất đồng bộ. Kiểm tra tài liệu và lấy API key để bắt đầu thử nghiệm chỉnh sửa gpt-image-2 ngay hôm nay.

Đọc thêm và Bước tiếp theo

Nếu bạn đang quyết định cách GPT Image Edit phù hợp với quy trình hình ảnh rộng hơn của mình, một vài tài nguyên có thể giúp ích. Hãy bắt đầu với Hướng dẫn API mô hình hình ảnh AI tốt nhất: Cách chọn mô hình tạo và chỉnh sửa hình ảnh để so sánh các nhà cung cấp hàng đầu và khả năng chỉnh sửa của họ. Nếu bạn đang cân nhắc sản phẩm của OpenAI so với Google, GPT Image API vs Gemini Image API: Cách chọn sẽ phân tích điểm mạnh, cấu trúc giá và các trường hợp sử dụng cho từng loại. Và nếu bạn muốn một tùy chọn chỉnh sửa nhanh, chi phí thấp cùng với GPT Image, Hướng dẫn API Nano Banana: Tạo và chỉnh sửa hình ảnh thông qua TokenLab sẽ bao gồm thiết lập và các ví dụ thực tế.

Tính khả dụng của mô hình, giới hạn tốc độ và giá cả có thể thay đổi, vì vậy hãy xác nhận chi tiết hiện tại trước khi mở rộng bất kỳ quy trình làm việc nào sang sản xuất khối lượng lớn.

Sẵn sàng để bắt đầu xây dựng? Tạo API key và kiểm tra GPT Image Edit cùng với các mô hình được hỗ trợ khác trong vài phút.