GPT Image 2 API Azure: Azure OpenAI पर कीमत और सेटअप

आप अपनी Azure सब्सक्रिप्शन से GPT Image 2 को कॉल कर सकते हैं, और ऐसा करने पर बिल, कोटा और सिक्योरिटी मॉडल OpenAI के नियमों की बजाय Azure के नियमों के अनुसार चलते हैं। इससे योजना बनाने का तरीका बदल जाता है। प्राइसिंग टोकन-आधारित है, इसलिए एक रेंडर की लागत गुणवत्ता और साइज़ के हिसाब से कम या ज़्यादा होती है, न कि प्रति इमेज एक तय फ़ीस होती है। और डिफ़ॉल्ट कोटा सिर्फ़ 5 इमेज प्रति मिनट है, जब तक आप और माँगें नहीं। यह लेख बताता है कि मॉडल की लागत कितनी है, इसे Microsoft Foundry में कैसे डिप्लॉय करें, सटीक REST और Python कॉल क्या हैं, और वे गलतियाँ कौन-सी हैं जो चुपचाप बिल बढ़ाती हैं। अगर आपको सिर्फ़ तस्वीरें चाहिए और क्लाउड सेटअप नहीं, तो लेख के आख़िर में एक ब्राउज़र वाला तरीका भी है।

Azure पर GPT Image 2 क्या देता है

Azure OpenAI, जो Microsoft Foundry का Azure वाला हिस्सा है, OpenAI के इमेज मॉडल को उसके टेक्स्ट मॉडल के साथ होस्ट करता है। आप एक रिसोर्स बनाते हैं, अपने चुने नाम से एक मॉडल डिप्लॉय करते हैं, और अपने रिसोर्स के नाम पर बने एंडपॉइंट पर रिक्वेस्ट भेजते हैं। रिक्वेस्ट बॉडी में कुछ भी अनोखा नहीं है। फ़र्क बिलिंग, कोटा, ऑथेंटिकेशन और रीजन चुनने में दिखता है।

मॉडल की सूची

Microsoft के दस्तावेज़ मौजूदा फ़ैमिली में तीन सामान्य रूप से उपलब्ध (generally available) इमेज मॉडल दिखाते हैं, साथ ही एक पुरानी सीरीज़ जिसके लिए अब भी एक्सेस आवेदन चाहिए।

व्यावहारिक निष्कर्ष: GPT Image 2 और 2.5 मॉडल को किसी अनुमति फ़ॉर्म की ज़रूरत नहीं है, इसलिए नई सब्सक्रिप्शन उन्हें उसी दोपहर डिप्लॉय कर सकती है। 1 सीरीज़ के लिए पहले रजिस्ट्रेशन अनुरोध चाहिए।

Azure किसे चुनना चाहिए

Azure का अतिरिक्त सेटअप तब सार्थक है जब इनमें से कम से कम एक बात सच हो:

• आपकी कंपनी पहले से Azure एग्रीमेंट के ज़रिए क्लाउड सेवाएँ खरीदती है, इसलिए इमेज का खर्च मौजूदा इनवॉइस में जुड़ जाता है।
• आपको वह रीजन चुनना है जहाँ रिक्वेस्ट प्रोसेस होती हैं।
• आप साझा सीक्रेट वाली एनवायरनमेंट फ़ाइल की जगह Microsoft Entra ID साइन-इन, रोल असाइनमेंट और प्राइवेट नेटवर्किंग चाहते हैं।
• कोटा हर सब्सक्रिप्शन और हर डिप्लॉयमेंट के हिसाब से तय होना चाहिए, और कोई एडमिन उसे बढ़ा सके।

जब आप अभी यह तय कर रहे हों कि आइडिया काम करता है या नहीं, तब Azure गलत चुनाव है। एक अकेला बिल्डर जो कोई कॉन्सेप्ट टेस्ट कर रहा है, सिर्फ़ दस रेंडर देखने के लिए रिसोर्स ग्रुप, रोल असाइनमेंट और कोटा रिक्वेस्ट नहीं चाहता। ऐसी जगह प्रोटोटाइप बनाएँ जहाँ सेटअप सस्ता हो, और जब प्रॉम्प्ट, साइज़ और मासिक वॉल्यूम तय हो जाएँ, तब Azure पर जाएँ।

यहाँ तीन आम रास्तों की तुलना है।

हर रेंडर की असली लागत

हर तस्वीर की कोई तय स्टिकर कीमत नहीं है। आप टोकन के लिए भुगतान करते हैं: आपके प्रॉम्प्ट का टेक्स्ट, आपके भेजे गए किसी भी रेफ़रेंस इमेज, और सबसे बड़ा हिस्सा, वह इमेज जो मॉडल बनाता है।

टोकन रेट

OpenAI GPT Image 2 के लिए ये स्टैंडर्ड रेट प्रति दस लाख टोकन के हिसाब से प्रकाशित करता है:

OpenAI के अपने प्राइसिंग पेज पर बैच प्रोसेसिंग स्टैंडर्ड रेट के आधे पर सूचीबद्ध है। तीसरे पक्ष के Azure प्राइस कैलकुलेटर Azure डिप्लॉयमेंट के लिए प्रति मिलियन इनपुट टोकन $5.00 और प्रति मिलियन आउटपुट टोकन $30.00 दिखाते हैं, जो ऊपर की टेक्स्ट इनपुट और इमेज आउटपुट लाइनों से मेल खाता है।

💡 टिप: Azure रेट रीजन और डिप्लॉयमेंट प्रकार के हिसाब से प्रकाशित करता है, और वे सार्वजनिक OpenAI टेबल से अलग हो सकते हैं। बजट तय करने से पहले अपने रीजन के लिए सटीक आँकड़े Azure प्राइसिंग कैलकुलेटर में जाँच लें।

काम करके देखे गए लागत उदाहरण

एक इमेज की कीमत उसके आउटपुट टोकन की संख्या को $30 से गुणा करके और दस लाख से भाग देकर निकलती है। कितने टोकन एक रेंडर में लगेंगे, यह मॉडल तय करता है, और वह गुणवत्ता और कैनवास साइज़ पर निर्भर करता है। नीचे की संख्याएँ गणित दिखाने के लिए चुनी गई मान्यताएँ हैं, माप नहीं। अपनी असली संख्याएँ जानने के लिए हर असली रिस्पॉन्स के साथ लौटने वाला usage डेटा पढ़ें।

प्रॉम्प्ट भी जोड़ें: $5 प्रति मिलियन पर 500-टोकन का प्रॉम्प्ट $0.0025 जोड़ता है, जो इमेज के मुकाबले राउंडिंग एरर जितना है। कुल खर्च आउटपुट पक्ष से तय होता है, इसलिए बजट उसी के आसपास बनाएँ।

बिल घटाने के तरीके

• कम क्वालिटी पर ड्राफ़्ट बनाएँ। कंपोज़िशन सही होने के बाद ही medium या high पर जाएँ।
• कैनवास को पेज के हिसाब से रखें। ब्लॉग हीरो के लिए 1536x864 रेंडर काफ़ी है। OpenAI के इमेज दस्तावेज़ 2560x1440 से ऊपर के किसी भी कैनवास को experimental बताते हैं, और बड़े कैनवास आम तौर पर ज़्यादा आउटपुट टोकन खाते हैं।
• दोहराते समय एक बार में एक इमेज माँगें। n पैरामीटर 1 से 10 स्वीकार करता है, और हर अतिरिक्त इमेज का बिल बनता है।
• प्रॉम्प्ट के शुरुआती हिस्से दोबारा इस्तेमाल करें। Cached text input की कीमत $5.00 की बजाय $1.25 प्रति मिलियन है, जो तब काम आता है जब कोई लंबा स्टाइल विवरण हज़ारों कॉल में दोहराया जाता है।
• जो काम रुक सकता है, उसके लिए बैच विकल्प देखें, क्योंकि OpenAI की ओर से बैच प्राइसिंग आधी है।

डिप्लॉयमेंट से पहले की चेकलिस्ट

एक भी रिक्वेस्ट भेजने से पहले लोग दो चीज़ों में अटकते हैं: मॉडल कहाँ उपलब्ध है, और उन्हें डिफ़ॉल्ट कोटा कितना कम मिलता है।

सब्सक्रिप्शन और रीजन

आपको एक सक्रिय Azure सब्सक्रिप्शन और ऐसे रीजन में एक Azure OpenAI रिसोर्स चाहिए जो मॉडल उपलब्ध कराता हो। इमेज जनरेशन कुछ ही रीजन में उपलब्ध है, इसलिए Microsoft की रीजन उपलब्धता तालिका खोलें, GPT Image 2 ढूँढें, और अपने यूज़र्स या डेटा नियमों के पास का रीजन चुनें। पहले रिसोर्स बनाना और बाद में तालिका देखना, डिप्लॉयमेंट fail होने का सबसे आम कारण है।

कोटा और रेट लिमिट

GPT Image 2 के लिए दस्तावेज़ों में दिया गया डिफ़ॉल्ट कोटा 5 इमेज प्रति मिनट है। इसके कुछ नतीजे होते हैं:

• समानांतर जॉब्स का एक साथ झोंका लगभग तुरंत HTTP 429 रिस्पॉन्स लाएगा।
• चूँकि कोटा इमेज में गिना जाता है, एक ही रिक्वेस्ट जो दस इमेज माँगती है, नए डिप्लॉयमेंट पर कोटा पार कर सकती है। किसी भी चीज़ को इस पर टिकाने से पहले अपनी n वैल्यू टेस्ट करें।
• retries की योजना exponential backoff के साथ बनाएँ, और अगर असली ट्रैफ़िक की उम्मीद है तो जल्दी कोटा बढ़ाने की रिक्वेस्ट दर्ज करें।

जब लिमिट लगे, तब एक छोटा retry wrapper बैच जॉब को चालू रखता है:

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)

प्रॉम्प्ट कॉपी करें

डिफ़ॉल्ट कोटा के साथ, हर प्रयास के बीच 5, 10, 20 और 40 सेकंड का इंतज़ार प्रति-मिनट की विंडो को फिर से भरने का समय देता है।

💡 टिप: 5 इमेज प्रति मिनट को टेस्ट-ड्राइव की सीमा मानें। ऐसा प्रोडक्ट पेज जो माँग पर इमेज रेंडर करता है, उसे बढ़ा हुआ कोटा, एक queue, या दोनों चाहिए होंगे।

Foundry में मॉडल डिप्लॉय करें

पोर्टल के मेनू हर रिलीज़ में बदल जाते हैं, इसलिए याद किए गए क्लिक क्रम की बजाय मॉडल के नाम का पालन करें।

रिसोर्स बनाएँ

1. Azure पोर्टल में, ऐसे रीजन में एक Azure OpenAI रिसोर्स, या Microsoft Foundry प्रोजेक्ट बनाएँ जो GPT Image 2 दिखाता हो।
2. ऐसा रिसोर्स नाम चुनें जो आपको ठीक लगे। यह एंडपॉइंट का हिस्सा बन जाता है: https://<resource-name>.openai.azure.com।
3. क्रिएशन विज़ार्ड पूरा करें और प्रोविज़निंग सफल होने तक इंतज़ार करें।

डिप्लॉयमेंट बनाएँ

1. Foundry पोर्टल खोलें और अपने रिसोर्स के deployments पेज पर जाएँ।
2. बेस मॉडल डिप्लॉय करने का विकल्प चुनें और gpt-image-2 खोजें।
3. डिप्लॉयमेंट प्रकार चुनें, कैपेसिटी सेट करें, और डिप्लॉयमेंट को एक नाम दें।

यह नाम मायने रखता है। Azure पर, आपके कोड में model फ़ील्ड डिप्लॉयमेंट नाम है, सार्वजनिक मॉडल ID नहीं। अगर आप उसे images-prod लिखते हैं, तो आपका कोड images-prod भेजता है।

Foundry इमेज मॉडल के लिए एक playground भी देता है, जो कोड लिखने से पहले यह पक्का करने का सबसे तेज़ तरीका है कि डिप्लॉयमेंट काम करता है।

एंडपॉइंट और क्रेडेंशियल खोजें

आपका एंडपॉइंट रिसोर्स के overview और deployments पेज पर दिखता है। ऑथेंटिकेशन के लिए Azure आपको स्टैटिक क्रेडेंशियल और Microsoft Entra ID के बीच चुनने देता है। किसी भी एक-बार के टेस्ट से आगे के लिए Entra ID इस्तेमाल करें: अपनी आइडेंटिटी को Cognitive Services OpenAI User रोल दें, Azure CLI से साइन इन करें, और SDK को शॉर्ट-लिव्ड टोकन लाने दें। इस तरह आपकी रिपॉज़िटरी में कुछ भी संवेदनशील नहीं जाता।

कोड से API कॉल करें

इमेज एंडपॉइंट इस पैटर्न का पालन करता है:

https://<resource-name>.openai.azure.com/openai/deployments/<deployment-name>/images/generations?api-version=2025-04-01-preview

प्रॉम्प्ट कॉपी करें

Microsoft के मौजूदा दस्तावेज़ API वर्ज़न 2025-04-01-preview या उसके बाद का उपयोग करते हैं। GPT Image 2 के लिए ये रिक्वेस्ट नियम हैं:

• साइज़: कस्टम WIDTHxHEIGHT, दोनों किनारे 16 के गुणज, और कोई भी 3,840 पिक्सल से ऊपर नहीं।
• आस्पेक्ट रेशियो: 1:3 और 3:1 के बीच।
• पिक्सल संख्या: 655,360 और 8,294,400 के बीच।
• क्वालिटी: low, medium या high।
• संख्या: n, 1 से 10 तक।

REST रिक्वेस्ट

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
  }'

प्रॉम्प्ट कॉपी करें

OpenAI SDK के साथ Python

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))

प्रॉम्प्ट कॉपी करें

Base64 आउटपुट सेव करें

यहाँ वह बात है जो लोगों को चौंकाती है: इन मॉडलों के लिए Azure इमेज एंडपॉइंट सिर्फ़ base64 डेटा लौटाता है, होस्टेड URL का कोई विकल्प नहीं है। हर रिस्पॉन्स में पूरी इमेज JSON के भीतर होती है।

इसका आपके ऐप पर असली असर पड़ता है:

• तुरंत फ़ाइल को डीकोड करके स्थायी स्टोरेज में लिखें, जैसे blob container।
• अपने डेटाबेस में storage URL रखें, base64 स्ट्रिंग नहीं।
• थंबनेल अपनी तरफ़ से रीसाइज़ करें, क्योंकि API यह आपके लिए नहीं करेगा।
• जिस इमेज के लिए आप पहले ही भुगतान कर चुके हैं, उसे सिर्फ़ इसलिए दोबारा न बनाएँ कि बाइट्स खो गए।

स्टोरेज पाइपलाइन का सस्ता हिस्सा है। blob storage में प्रति इमेज कुछ सौ किलोबाइट की लागत रेंडर की अपनी लागत के एक छोटे हिस्से जितनी है, इसलिए हर वह आउटपुट रखना जिसके लिए आपने भुगतान किया है, लगभग हमेशा बेहतर सौदा है।

पाँच गलतियाँ जो पैसा बर्बाद करती हैं

1. ड्राफ़्ट के लिए क्वालिटी high पर छोड़ देना। आउटपुट टोकन मुख्य खर्च हैं, और high क्वालिटी उनमें से सबसे ज़्यादा माँगती है। ड्राफ़्ट low पर बनाएँ, फ़िनिश high पर करें।
2. वेब पेज के लिए 4K कैनवास माँगना। अगर पेज पर इमेज 1,280 पिक्सल चौड़ी दिखती है, तो 3,840 पिक्सल का रेंडर ऐसा पैसा है जो आप देख भी नहीं सकते।
3. बिना बैकऑफ़ के 429 एरर को तेज़ लूप में दोबारा भेजना। रेट-लिमिटेड कॉल्स को बिना backoff के ठोकने से समय बर्बाद होता है और असफल काम जमा हो सकता है।
4. सार्वजनिक मॉडल नाम भेजना। model वैल्यू आपका डिप्लॉयमेंट नाम होना चाहिए। गलत मेल एरर लौटाता है, और इंजीनियर फिर एक घंटा रीजन को दोष देने में बिताते हैं।
5. आउटपुट सेव न करना। Base64 रिस्पॉन्स आपकी प्रोसेस के साथ गायब हो जाते हैं। अगर आपने बाइट्स स्टोरेज में नहीं लिखे, तो एकमात्र उपाय एक और भुगतान वाला रेंडर है।

PicassoIA पर GPT Image 2 इस्तेमाल करें

हर प्रोजेक्ट को क्लाउड रिसोर्स की ज़रूरत नहीं होती। PicassoIA पर GPT Image 2 एक वेब पेज से चलता है, जो Azure टोकन खर्च करने से पहले प्रॉम्प्ट टेस्ट करने का तेज़ तरीका है।

अपनी सेटिंग चुनें

मॉडल पेज खोलें, अपना प्रॉम्प्ट टाइप करें, और ज़रूरी विकल्प बदलें।

एक वैकल्पिक फ़ील्ड आपका अपना OpenAI क्रेडेंशियल स्वीकार करता है। इसे खाली छोड़ें तो प्लेटफ़ॉर्म आपके लिए रिक्वेस्ट रूट करता है।

💡 टिप: ऐसे प्रॉम्प्ट जो लेंस, रोशनी की दिशा और सतह की बनावट का नाम लेते हैं, ज़्यादा स्थिर नतीजे देते हैं। Claude Sonnet 5 या GPT 5.6 Terra जैसे टेक्स्ट मॉडल से तीन प्रॉम्प्ट वैरिएशन लिखवाएँ, और फिर हर एक को यहाँ टेस्ट करें।

जनरेट करें और डाउनलोड करें

1. जनरेट बटन दबाएँ और रेंडर का इंतज़ार करें।
2. टेक्स्ट रेंडरिंग, हाथ और किनारे पूरे साइज़ पर जाँचें।
3. चुने हुए फ़ॉर्मैट में फ़ाइल डाउनलोड करें।
4. एक बार में एक सेटिंग बदलें और फिर चलाएँ।

एक समझदारी भरा वर्कफ़्लो काम को दो हिस्सों में बाँटता है। ब्राउज़र का उपयोग कंपोज़िशन, शब्दों और टेक्स्ट की जगह तय करने के लिए करें, क्योंकि वहाँ इटरेशन तेज़ है और आप एक बार में दस वैरिएशन तक चला सकते हैं। एक बार जब कोई प्रॉम्प्ट लगातार वही दे जो आप चाहते हैं, तो उसे अपने Azure कोड में कॉपी करें और अपने प्रोडक्ट को जिस साइज़ और क्वालिटी की ज़रूरत है, उस पर चलाएँ। प्रॉम्प्ट बिना किसी बदलाव के Azure कोड तक पहुँचता है, इसलिए पहले किया हर प्रयोग बाद की भुगतान वाली कॉल बचाता है।

इंजन की तुलना करना चाहते हैं? उसी प्रॉम्प्ट के साथ GPT Image 2.5 Flare, Seedream 4.5 या Nano Banana 2 Lite आज़माएँ और जो सबसे अच्छा लगे उसे रखें।

आज ही अपनी पहली इमेज बनाएँ

अब आपके पास Azure पर GPT Image 2 की पूरी तस्वीर है: ऐसी टोकन प्राइसिंग जो कम क्वालिटी के ड्राफ़्ट को फ़ायदा देती है, 5 इमेज प्रति मिनट का शुरुआती कोटा, केवल base64 आउटपुट, और एक डिप्लॉयमेंट नाम जो मॉडल फ़ील्ड का काम भी करता है। ये चार तथ्य ज़्यादातर बजट और ज़्यादातर बग तय करते हैं।

ऐसा प्रॉम्प्ट खोजने का सबसे सस्ता तरीका है कि उसे Azure इनवॉइस छूने से पहले टेस्ट कर लिया जाए। Picasso IA पर GPT Image 2 खोलें, वह प्रोडक्ट शॉट, पोस्टर या हीरो इमेज लिखें जो आपके मन में है, और कम क्वालिटी पर पाँच वैरिएशन चलाएँ। विजेता चुनें, फिर वही सटीक प्रॉम्प्ट भरोसे के साथ अपने Azure डिप्लॉयमेंट में ले जाएँ। आपकी पहली इमेज बस एक प्रॉम्प्ट दूर है, तो चलिए बनाते हैं।