Configurer GPT Image 2 sur Azure OpenAI implique de composer avec la tarification au token, un quota initial de 5 images par minute, une sortie uniquement en base64 et des noms de déploiement. Cet article détaille le coût réel de chaque rendu, les étapes de déploiement dans Foundry, des appels REST et Python fonctionnels, et cinq erreurs qui gonflent la facture.
Vous pouvez appeler GPT Image 2 depuis votre propre abonnement Azure. Dans ce cas, la facture, le quota et le modèle de sécurité suivent les règles d’Azure plutôt que celles d’OpenAI, ce qui change la manière de planifier votre usage. La tarification repose sur les tokens : un rendu coûte plus ou moins cher selon la qualité et la taille, et non un forfait fixe par image. Quant au quota par défaut, il est limité à 5 images par minute tant que vous n’en demandez pas davantage. Cet article détaille ce que coûte le modèle, comment le déployer dans Microsoft Foundry, les appels REST et Python exacts, et les erreurs qui gonflent discrètement une facture. Si vous voulez seulement des images, sans configuration cloud, une solution dans le navigateur est présentée vers la fin.
Azure OpenAI, la partie Azure de Microsoft Foundry, héberge les modèles d’images d’OpenAI aux côtés de ses modèles de texte. Vous créez une ressource, déployez un modèle sous un nom de votre choix et envoyez vos requêtes à un endpoint qui porte le nom de votre propre ressource. Le corps de la requête n’a rien d’exotique. Les différences apparaissent dans la facturation, le quota, l’authentification et le choix de la région.
La documentation de Microsoft répertorie trois modèles d’images généralement disponibles dans la famille actuelle, ainsi qu’une série plus ancienne qui nécessite encore une demande d’accès.
| Modèle | Statut sur Azure | Réglages de qualité |
|---|---|---|
| GPT Image 2 | Disponible en général | low, medium, high |
| GPT Image 2.5 Sunburst | Disponible en général | low, medium, high, xhigh, max, auto |
| GPT Image 2.5 Flare | Disponible en général | low, medium, high, xhigh, max, auto |
| GPT Image 1, GPT Image 1.5, GPT Image 1 Mini | Préversion à accès limité | low, medium, high |
En pratique : GPT Image 2 et les modèles 2.5 ne nécessitent aucun formulaire d’approbation, donc un nouvel abonnement peut les déployer l’après-midi même. La série 1 exige d’abord une demande d’inscription.
Azure justifie sa configuration supplémentaire lorsqu’au moins une de ces conditions est remplie :
Azure n’est pas le bon choix tant que vous vous demandez si l’idée fonctionne. Un développeur solo qui teste un concept n’a pas besoin d’un groupe de ressources, d’une attribution de rôle et d’une demande de quota juste pour voir dix rendus. Prototypez là où la configuration est peu coûteuse, puis passez à Azure une fois les prompts, les formats et le volume mensuel définis.
Voici la comparaison des trois parcours courants.
| Azure OpenAI | OpenAI en direct | Picasso IA dans le navigateur | |
|---|---|---|---|
| Mise en place | Abonnement, ressource, déploiement | Compte et facturation | Connectez-vous et saisissez un prompt |
| Unité de facturation | Tokens, sur une facture Azure | Tokens, sur une facture OpenAI | Géré par la plateforme |
| Formats | Dimensions personnalisées par pas de 16 px | Définis par la documentation API d’OpenAI | 1:1, 3:2, 2:3 |
| Idéal pour | Applications en production avec des exigences de gouvernance | Prototypes rapides | Brouillons, tests, non-développeurs |
Il n’existe pas de prix affiché par image. Vous payez en tokens : le texte de votre prompt, les images de référence éventuelles et, de loin la part la plus importante, l’image que produit le modèle.
OpenAI publie ces tarifs standard pour GPT Image 2, par million de tokens :
| Type de token | Prix par million de tokens |
|---|---|
| Entrée texte | 5,00 $ |
| Entrée texte en cache | 1,25 $ |
| Entrée image | 8,00 $ |
| Entrée image en cache | 2,00 $ |
| Sortie image | 30,00 $ |
Le traitement par lots est proposé à la moitié du tarif standard sur la page tarifaire d’OpenAI. Des calculateurs de prix Azure tiers affichent 5,00 $ par million de tokens d’entrée et 30,00 $ par million de tokens de sortie pour le déploiement Azure, ce qui correspond aux lignes entrée texte et sortie image ci-dessus.
💡 Astuce : Azure publie ses tarifs par région et par type de déploiement, et ils peuvent différer du tableau public d’OpenAI. Vérifiez les chiffres exacts dans le calculateur de prix Azure pour votre région avant de fixer un budget.
Le prix d’une image unique correspond à son nombre de tokens de sortie multiplié par 30 $, divisé par un million. Le modèle décide du nombre de tokens qu’un rendu consomme, et cela dépend de la qualité et de la taille du canevas. Les chiffres ci-dessous sont des hypothèses choisies pour illustrer le calcul, et non des mesures. Consultez les données d’usage renvoyées avec chaque réponse réelle pour connaître vos chiffres exacts.
| Tokens de sortie supposés | Coût à 30 $ par million | Coût pour 1 000 images |
|---|---|---|
| 1 000 | 0,03 $ | 30 $ |
| 2 500 | 0,075 $ | 75 $ |
| 5 000 | 0,15 $ | 150 $ |
| 8 000 | 0,24 $ | 240 $ |
Ajoutez le prompt lui-même : un prompt de 500 tokens à 5 $ par million ajoute 0,0025 $, soit une erreur d’arrondi à côté de l’image. Le côté sortie détermine l’essentiel du total, donc construisez votre budget autour de lui.
n accepte de 1 à 10, et chaque image supplémentaire est facturée.
Deux points piègent les gens avant même l’envoi de la moindre requête : là où le modèle est disponible, et le faible quota par défaut.
Il vous faut un abonnement Azure actif et une ressource Azure OpenAI dans une région qui propose le modèle. La génération d’images n’est disponible que dans un sous-ensemble de régions. Ouvrez donc le tableau de disponibilité des régions de Microsoft, repérez GPT Image 2 et choisissez une région proche de vos utilisateurs ou de vos règles de gestion des données. Créer la ressource d’abord et vérifier le tableau ensuite est la cause la plus fréquente d’échec d’un déploiement.
Le quota par défaut documenté pour GPT Image 2 est de 5 images par minute. Plusieurs conséquences en découlent :
n avant de vous y fier.Un petit wrapper de nouvelles tentatives permet à une tâche par lots de tenir lorsque la limite se déclenche :
import time
from openai import RateLimitError
def generate_with_retry(client, deployment, prompt, attempts=5):
for attempt in range(attempts):
try:
return client.images.generate(
model=deployment, prompt=prompt, size="1536x864", quality="low", n=1
)
except RateLimitError:
if attempt == attempts - 1:
raise
time.sleep(2 ** attempt * 5)
Avec le quota par défaut, une attente de 5, 10, 20 puis 40 secondes entre les tentatives laisse à la fenêtre par minute le temps de se recharger.
💡 Astuce : Considérez 5 images par minute comme une limite d’essai. Une page produit qui génère des images à la demande aura besoin d’un quota relevé, d’une file d’attente ou des deux.
Les menus du portail sont renommés d’une version à l’autre. Suivez donc le nom du modèle plutôt qu’un parcours de clics mémorisé.
https://<resource-name>.openai.azure.com.gpt-image-2.Ce nom compte. Sur Azure, le champ model de votre code est le nom de déploiement, et non l’identifiant public du modèle. Si vous l’appelez images-prod, votre code envoie images-prod.
Foundry propose aussi un espace d’essai pour les modèles d’images, qui est le moyen le plus rapide de vérifier qu’un déploiement fonctionne avant d’écrire du code.
Votre endpoint apparaît sur la vue d’ensemble de la ressource et sur la page des déploiements. Pour l’authentification, Azure vous laisse choisir entre un identifiant statique et Microsoft Entra ID. Pour tout ce qui dépasse un simple test jetable, utilisez Entra ID : attribuez le rôle Cognitive Services OpenAI User à votre identité, connectez-vous avec l’Azure CLI et laissez le SDK récupérer des jetons à courte durée de vie. De cette façon, aucune donnée sensible ne finit dans votre dépôt.
L’endpoint d’images suit ce modèle :
https://<resource-name>.openai.azure.com/openai/deployments/<deployment-name>/images/generations?api-version=2025-04-01-preview
La documentation actuelle de Microsoft utilise la version d’API 2025-04-01-preview ou ultérieure. Voici les règles de requête pour GPT Image 2 :
WIDTHxHEIGHT, les deux côtés étant des multiples de 16, aucun ne dépassant 3 840 pixels.low, medium ou high.n, de 1 à 10.TOKEN=$(az account get-access-token \
--resource https://cognitiveservices.azure.com \
--query accessToken -o tsv)
curl -X POST "https://<resource-name>.openai.azure.com/openai/deployments/<deployment-name>/images/generations?api-version=2025-04-01-preview" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $TOKEN" \
-d '{
"prompt": "A ceramic mug of coffee on an oak desk, morning window light, 85mm photograph",
"size": "1536x864",
"quality": "medium",
"n": 1
}'
import base64
from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from openai import AzureOpenAI
token_provider = get_bearer_token_provider(
DefaultAzureCredential(),
"https://cognitiveservices.azure.com/.default",
)
client = AzureOpenAI(
azure_endpoint="https://<resource-name>.openai.azure.com",
azure_ad_token_provider=token_provider,
api_version="2025-04-01-preview",
)
result = client.images.generate(
model="<deployment-name>",
prompt="A ceramic mug of coffee on an oak desk, morning window light, 85mm photograph",
size="1536x864",
quality="medium",
n=1,
)
with open("render.png", "wb") as f:
f.write(base64.b64decode(result.data[0].b64_json))
Voici le détail qui surprend : l’endpoint d’images d’Azure pour ces modèles ne renvoie que des données base64, sans option d’URL hébergée. Chaque réponse contient l’image complète dans le JSON.
Cela a des conséquences concrètes pour votre application :
Le stockage est la partie bon marché du pipeline. Quelques centaines de Ko par image dans un stockage blob coûtent une fraction infime de ce que le rendu lui-même a coûté. Conserver chaque sortie que vous payez est donc presque toujours le meilleur compromis.
model doit être votre nom de déploiement. Une incohérence renvoie une erreur, et les ingénieurs passent alors une heure à accuser la région.
Tous les projets n’ont pas besoin d’une ressource cloud. GPT Image 2 sur PicassoIA fonctionne depuis une page web, ce qui en fait un moyen rapide de tester vos prompts avant de dépenser des tokens Azure pour eux.
Ouvrez la page du modèle, saisissez votre prompt et ajustez les options dont vous avez besoin.
| Réglage | Fonction | Par défaut |
|---|---|---|
| Prompt | Décrit l’image (obligatoire) | Aucun |
| Qualité | Détail faible, moyen ou élevé | auto |
| Arrière-plan | Transparent, opaque ou automatique | auto |
| Format | 1:1, 3:2 ou 2:3 | 1:1 |
| Nombre d’images | De 1 à 10 variantes par lancement | 1 |
| Format de sortie | PNG, JPEG ou WebP | webp |
| Compression | De 0 à 100 % | 90 |
| Modération | Niveau du filtre de contenu | auto |
| Images d’entrée | Images de référence pour les modifications et les variantes | Aucune |
Un champ facultatif accepte votre propre identifiant OpenAI. Laissez-le vide et la plateforme achemine la requête pour vous.
💡 Astuce : Les prompts qui mentionnent un objectif photo, une direction de lumière et une texture de surface donnent des résultats plus stables. Demandez à un modèle de texte comme Claude Sonnet 5 ou GPT 5.6 Terra de rédiger trois variantes de prompt, puis testez chacune ici.
Un flux de travail raisonnable répartit le travail en deux étapes. Utilisez le navigateur pour fixer la composition, la formulation et l’emplacement du texte, car les itérations y sont rapides et vous pouvez lancer jusqu’à dix variantes à la fois. Une fois qu’un prompt produit de façon fiable ce que vous voulez, copiez-le dans votre code Azure et lancez-le au format et à la qualité dont votre produit a besoin. Le prompt est repris tel quel, donc chaque essai réalisé au préalable évite des appels payants plus tard.
Vous voulez comparer des modèles ? Essayez GPT Image 2.5 Flare, Seedream 4.5 ou Nano Banana 2 Lite avec le même prompt, et gardez celui qui vous semble le meilleur.
Vous avez maintenant une vue d’ensemble complète de GPT Image 2 sur Azure : une tarification au token qui récompense les brouillons en basse qualité, un quota initial de 5 images par minute, une sortie uniquement en base64 et un nom de déploiement qui fait aussi office de champ du modèle. Ces quatre éléments déterminent la plupart des budgets et la plupart des bogues.
La façon la moins coûteuse de trouver un prompt qui fonctionne est de le tester avant qu’il n’atteigne votre facture Azure. Ouvrez GPT Image 2 sur Picasso IA, rédigez la photo produit, l’affiche ou l’image d’en-tête que vous avez en tête, et lancez cinq variantes en basse qualité. Choisissez la gagnante, puis reprenez ce prompt exact dans votre déploiement Azure en toute confiance. Votre premier rendu n’est qu’à un prompt de distance, alors lancez-vous.
Choisissez votre langue
