API do GPT Image 2 no Azure: preços e configuração no Azure OpenAI

Você pode chamar o GPT Image 2 a partir da sua própria assinatura do Azure, e, ao fazer isso, a conta, a cota e o modelo de segurança seguem as regras do Azure em vez das da OpenAI. Isso muda a forma como você planeja o uso. O preço é baseado em tokens, então uma renderização custa mais ou menos conforme a qualidade e o tamanho, e não uma taxa fixa por imagem. Além disso, a cota padrão fica em apenas 5 imagens por minuto até você pedir mais. Este artigo mostra quanto o modelo custa, como implantá-lo no Microsoft Foundry, as chamadas REST e Python exatas e os erros que aumentam a conta sem você perceber. Se você só quer imagens e não quer configurar nada na nuvem, há uma opção pelo navegador perto do final.

O que o GPT Image 2 oferece no Azure

O Azure OpenAI, o lado Azure do Microsoft Foundry, hospeda os modelos de imagem da OpenAI junto com os modelos de texto. Você cria um recurso, implanta um modelo sob um nome que escolhe e envia requisições para um endpoint com o nome do seu próprio recurso. Nada no corpo da requisição é exótico. As diferenças aparecem na cobrança, na cota, na autenticação e na escolha da região.

A linha de modelos

A documentação da Microsoft lista três modelos de imagem disponíveis em geral na família atual, além de uma série mais antiga que ainda exige um pedido de acesso.

A conclusão prática: o GPT Image 2 e os modelos 2.5 não precisam de formulário de aprovação, então uma assinatura nova pode implantá-los na mesma tarde. A série 1 exige antes um pedido de registro.

Quem deve escolher o Azure

O Azure vale o trabalho extra de configuração quando pelo menos uma destas condições é verdadeira:

• Sua empresa já contrata serviços de nuvem por meio de um contrato com o Azure, então os gastos com imagens entram em uma fatura que já existe.
• Você precisa escolher a região onde as requisições são processadas.
• Você quer login com Microsoft Entra ID, atribuições de função e rede privada, em vez de um segredo compartilhado em um arquivo de ambiente.
• A cota deve ser controlada por assinatura e por implantação, com um administrador que possa aumentá-la.

O Azure é a escolha errada quando você ainda está decidindo se a ideia funciona. Um criador solo que testa um conceito não precisa de um grupo de recursos, uma atribuição de função e um pedido de cota só para ver dez renderizações. Faça o protótipo onde a configuração é barata e depois passe para o Azure quando os prompts, os tamanhos e o volume mensal estiverem definidos.

Veja como as três rotas comuns se comparam.

O custo real de cada renderização

Não existe um preço fixo por imagem. Você paga por tokens: o texto do seu prompt, quaisquer imagens de referência que enviar e, de longe a maior parte, a imagem que o modelo produz.

Taxas por token

A OpenAI publica estas taxas padrão para o GPT Image 2, por um milhão de tokens:

O processamento em lote aparece com metade da taxa padrão na própria página de preços da OpenAI. Calculadoras de preço do Azure de terceiros mostram US$ 5,00 por milhão de tokens de entrada e US$ 30,00 por milhão de tokens de saída para a implantação no Azure, o que corresponde às linhas de entrada de texto e saída de imagem acima.

💡 Dica: O Azure publica taxas por região e tipo de implantação, e elas podem ser diferentes da tabela pública da OpenAI. Confirme os números exatos na calculadora de preços do Azure para a sua região antes de fechar um orçamento.

Exemplos de custo calculados

O preço de uma única imagem é a quantidade de tokens de saída multiplicada por US$ 30 e dividida por um milhão. O modelo decide quantos tokens uma renderização usa, e isso depende da qualidade e do tamanho da tela. Os números abaixo são premissas escolhidas para mostrar a aritmética, não medições. Leia os dados de uso devolvidos com cada resposta real para ver seus números verdadeiros.

Some o próprio prompt: um prompt de 500 tokens a US$ 5 por milhão adiciona US$ 0,0025, que é um erro de arredondamento insignificante perto da imagem. O lado da saída define o total, então planeje o orçamento em torno dele.

Como reduzir a conta

• Faça rascunhos em qualidade baixa. Passe para média ou alta só depois que a composição estiver certa.
• Ajuste a tela à página. Uma renderização de 1536x864 basta para o destaque de um blog. A documentação de imagens da OpenAI marca qualquer coisa acima de 2560x1440 como experimental, e telas maiores geralmente consomem mais tokens de saída.
• Peça uma imagem por vez enquanto itera. O parâmetro n aceita de 1 a 10, e cada imagem extra é cobrada.
• Reaproveite prefixos de prompt. A entrada de texto em cache custa US$ 1,25 por milhão em vez de US$ 5,00, o que ajuda quando uma longa descrição de estilo se repete em milhares de chamadas.
• Verifique as opções de lote para trabalhos que podem esperar, já que o preço em lote é metade do valor do lado da OpenAI.

Checklist antes da implantação

Duas coisas pegam as pessoas antes de enviarem qualquer requisição: onde o modelo está disponível e o pouco de cota padrão que elas recebem.

Assinatura e região

Você precisa de uma assinatura ativa do Azure e de um recurso do Azure OpenAI em uma região que ofereça o modelo. A geração de imagens está disponível em um subconjunto de regiões, então abra a tabela de disponibilidade de regiões da Microsoft, encontre o GPT Image 2 e escolha uma região próxima dos seus usuários ou das suas regras de dados. Criar o recurso primeiro e conferir a tabela depois é o motivo mais comum de uma implantação que falha.

Cota e limites de taxa

A cota padrão documentada para o GPT Image 2 é de 5 imagens por minuto. Algumas consequências seguem daí:

• Uma rajada de tarefas paralelas vai atingir respostas HTTP 429 quase imediatamente.
• Como a cota é contada em imagens, uma única requisição pedindo dez imagens pode ultrapassá-la em uma implantação recém-criada. Teste o seu valor de n antes de depender dele.
• Planeje novas tentativas com backoff exponencial e abra cedo um pedido de aumento de cota se você espera tráfego real.

Um pequeno wrapper de novas tentativas mantém uma tarefa em lote funcionando quando o limite aperta:

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)

Copiar prompt

Com a cota padrão, uma espera de 5, 10, 20 e 40 segundos entre as tentativas dá tempo para a janela por minuto se recompor.

💡 Dica: Trate 5 imagens por minuto como um limite de teste. Uma página de produto que renderiza imagens sob demanda vai precisar de cota aumentada, uma fila, ou as duas coisas.

Implante o modelo no Foundry

Os menus do portal mudam de nome entre as versões, então siga o nome do modelo em vez de um caminho de cliques decorado.

Crie o recurso

1. No portal do Azure, crie um recurso Azure OpenAI, ou um projeto do Microsoft Foundry, em uma região que liste o GPT Image 2.
2. Escolha um nome de recurso com o qual você consiga conviver. Ele passa a fazer parte do endpoint: https://<resource-name>.openai.azure.com.
3. Termine o assistente de criação e aguarde o provisionamento ser concluído.

Crie a implantação

1. Abra o portal do Foundry e vá para a página de implantações do seu recurso.
2. Escolha implantar um modelo base e pesquise por gpt-image-2.
3. Selecione um tipo de implantação, defina a capacidade e dê um nome à implantação.

Esse nome importa. No Azure, o campo model no seu código é o nome da implantação, não o ID público do modelo. Se você chamá-la de images-prod, seu código envia images-prod.

O Foundry também oferece um playground para modelos de imagem, que é o jeito mais rápido de confirmar que a implantação funciona antes de escrever código.

Encontre o endpoint e as credenciais

Seu endpoint aparece na visão geral do recurso e na página de implantações. Para autenticação, o Azure permite escolher entre uma credencial estática e o Microsoft Entra ID. Para qualquer coisa além de um teste descartável, use o Entra ID: atribua a função Cognitive Services OpenAI User à sua identidade, faça login com a CLI do Azure e deixe o SDK buscar tokens de curta duração. Assim, nada sensível acaba no seu repositório.

Chame a API a partir do código

O endpoint de imagens segue este padrão:

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

Copiar prompt

A documentação atual da Microsoft usa a versão de API 2025-04-01-preview ou posterior. Estas são as regras de requisição para o GPT Image 2:

• Tamanho: WIDTHxHEIGHT personalizado, com ambas as bordas múltiplas de 16 e nenhuma acima de 3.840 pixels.
• Proporção: entre 1:3 e 3:1.
• Contagem de pixels: entre 655.360 e 8.294.400.
• Qualidade: low, medium ou high.
• Quantidade: n de 1 a 10.

A requisição REST

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
  }'

Copiar prompt

Python com o SDK da OpenAI

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))

Copiar prompt

Salve a saída em base64

Aqui está o detalhe que surpreende as pessoas: o endpoint de imagens do Azure para esses modelos devolve apenas dados em base64, sem opção de URL hospedada. Cada resposta traz a imagem completa dentro do JSON.

Isso tem consequências reais para a sua aplicação:

• Decodifique e grave o arquivo em um armazenamento durável logo em seguida, como um contêiner de blob.
• Guarde a URL de armazenamento no seu banco de dados, não a string base64.
• Redimensione as miniaturas do seu lado, já que a API não fará isso por você.
• Nunca gere de novo uma imagem pela qual você já pagou só porque perdeu os bytes.

O armazenamento é a parte barata do pipeline. Algumas centenas de quilobytes por imagem no armazenamento de blob custam uma fração minúscula do que a própria renderização custou, então guardar cada saída pela qual você paga quase sempre é o melhor negócio.

Cinco erros que desperdiçam dinheiro

1. Deixar a qualidade em alta para rascunhos. Os tokens de saída são a principal despesa, e a qualidade alta pede a maior quantidade deles. Faça rascunhos em baixa e finalize em alta.
2. Pedir telas em 4K para páginas web. Se a página mostra a imagem com 1.280 pixels de largura, uma renderização de 3.840 pixels é dinheiro que você não consegue ver.
3. Repetir erros 429 em um loop apertado. Chamadas limitadas que são disparadas sem backoff desperdiçam tempo e podem acumular trabalho falho.
4. Enviar o nome público do modelo. O valor de model precisa ser o nome da sua implantação. Um descompasso devolve um erro, e os engenheiros passam uma hora culpando a região.
5. Não salvar a saída. As respostas em base64 desaparecem junto com o seu processo. Se você não gravou os bytes no armazenamento, a única solução é outra renderização paga.

Use o GPT Image 2 no PicassoIA

Nem todo projeto precisa de um recurso na nuvem. O GPT Image 2 no PicassoIA roda em uma página web, o que o torna um jeito rápido de testar prompts antes de gastar tokens do Azure com eles.

Escolha suas configurações

Abra a página do modelo, digite seu prompt e ajuste as opções de que precisar.

Um campo opcional aceita sua própria credencial da OpenAI. Deixe-o vazio e a plataforma encaminha a requisição para você.

💡 Dica: Prompts que citam uma lente, a direção da luz e a textura de uma superfície produzem resultados mais consistentes. Peça a um modelo de texto como o Claude Sonnet 5 ou o GPT 5.6 Terra para rascunhar três variações do prompt e teste cada uma aqui.

Gere e baixe

1. Pressione o botão de gerar e aguarde a renderização.
2. Confira a renderização de texto, as mãos e as bordas em tamanho real.
3. Baixe o arquivo no formato escolhido.
4. Mude uma configuração por vez e execute de novo.

Um fluxo de trabalho sensato divide o trabalho em duas partes. Use o navegador para definir composição, redação e posição do texto, porque as iterações ali são rápidas e você pode rodar até dez variações de uma vez. Quando um prompt produzir de forma confiável o que você quer, copie-o para o seu código do Azure e execute-o no tamanho e na qualidade que o seu produto exige. O prompt segue sem alterações, então cada experimento feito antes economiza chamadas pagas depois.

Quer comparar motores? Teste o GPT Image 2.5 Flare, o Seedream 4.5 ou o Nano Banana 2 Lite com o mesmo prompt e fique com o que parecer melhor.

Crie sua primeira imagem hoje

Agora você tem a visão completa do GPT Image 2 no Azure: preço por token que recompensa rascunhos em baixa qualidade, uma cota inicial de 5 imagens por minuto, saída apenas em base64 e um nome de implantação que funciona como o campo do modelo. Esses quatro fatos decidem a maior parte dos orçamentos e a maioria dos bugs.

A forma mais barata de achar um prompt que funciona é testá-lo antes que ele toque na sua fatura do Azure. Abra o GPT Image 2 no Picasso IA, escreva a foto de produto, o cartaz ou a imagem de destaque que você tem em mente e rode cinco variações em baixa qualidade. Escolha a vencedora e leve esse prompt exato para a sua implantação no Azure com confiança. Sua primeira renderização está a um prompt de distância, então mãos à obra.