GPT Image 2.5 다중 레퍼런스 이미지 편집 가이드: 원본 이미지 합성과 50K 프롬프트 활용
대부분의 상업용 비주얼 작업은 이미 존재하는 에셋에서 출발합니다. 신규 SKU의 깔끔한 팩샷, 아트 디렉터가 승인한 스튜디오 텍스처 플레이트, 또는 지역 출시를 위해 문구 업데이트가 필요한 지난 시즌의 패키지 레이아웃 등이 대표적입니다. 텍스트 전용 모델로 이러한 비주얼을 처음부터 다시 생성하면 비용을 들여 촬영한 기하학적 형태, 라벨 비율, 제품 실루엣이 모두 사라집니다.
E2X의 OpenAI openai/gpt-image-2.5-sunburst/edit-image 엔드포인트는 레퍼런스 조건부 편집 및 다중 이미지 합성을 위해 설계되었습니다. image_urls에 공개적으로 접근 가능한 원본 이미지 배열을 전달하고 최대 50,000자 길이의 자연어 편집 지시문을 함께 입력하면 됩니다. E2X의 상시 75% 할인을 통해 low, medium, high, xhigh, max 중 어떤 품질로 실행하든 모든 1K 편집은 $0.0525, 2K는 $0.105, 4K는 $0.1575입니다.

이 가이드는 openai/gpt-image-2.5-sunburst/edit-image의 핵심 메커니즘을 다룹니다. 기존 형태를 고정한 채 라벨이나 조명만 변경하는 델타 프롬프트(delta prompt) 작성법, image_urls에서 여러 파일을 인덱싱하는 방법, 편집 라우트에서 프롬프트 한도가 32,000자에서 50,000자로 늘어나는 이유, 그리고 특수 편집을 위해 Google Nano Banana나 GPT Image 2로 전환해야 하는 시점을 설명합니다.
openai/gpt-image-2.5-sunburst/edit-image의 입력 스키마 및 요금
openai/gpt-image-2.5-sunburst/edit-image 호출은 E2X 카탈로그의 다른 모든 모델과 동일한 POST https://api.e2x.ai/v1/jobs/submit 큐를 사용합니다. input 내부에서 필수인 속성은 prompt와 image_urls 두 가지뿐입니다. E2X에서 GPT Image 2.5는 두 가지 변형으로 제공됩니다. 1K/2K/4K 해상도와 low, medium, high, xhigh, max 품질 티어를 지원하는 GPT Image 2.5 Sunburst(openai/gpt-image-2.5-sunburst)와, 1K/2K/4K 해상도 및 low, medium, high 품질 티어로 /models/openai/gpt-image-2.5-flare/text-to-image 및 /models/openai/gpt-image-2.5-flare/edit-image를 지원하는 GPT Image 2.5 Flare(openai/gpt-image-2.5-flare)입니다.
| 필드 | 타입 | 필수 여부 | 기본값 | 설명 및 제한 |
|---|---|---|---|---|
prompt | string | 예 | 없음 | 최대 50,000자까지의 편집 또는 합성 지시문. |
image_urls | string[] | 예 | 없음 | 레퍼런스 이미지를 가리키는 공개 접근 가능한 HTTPS URL 배열. |
aspect_ratio | string | 아니요 | "1:1" | "auto" 및 15개 고정 비율: "1:1", "4:3", "3:4", "3:2", "2:3", "5:4", "4:5", "16:9", "9:16", "2:1", "1:2", "21:9", "9:21", "3:1", "1:3". |
resolution | string | 아니요 | "1K" | "1K"($0.0525), "2K"($0.1050), 또는 "4K"($0.1575). 반드시 대문자여야 함. |
quality | string | 아니요 | "high" | "low", "medium", "high", "xhigh", 또는 "max". 다섯 가지 모두 ×7 배수를 공유함. |
정가 기본 단가($0.03, 75% 할인 시 $0.0075)에 모든 quality 티어에서 동일하게 7이 곱해지기 때문에($0.0075 × 7 = $0.0525), E2X에서는 편집 작업을 "high"에서 "xhigh"나 "max"로 업그레이드해도 추가 비용이 전혀 들지 않습니다. 오직 resolution("1K" = ×1, "2K" = ×2, "4K" = ×3)만 가격을 변동시킵니다. 언제든지 요금 안내 페이지에서 현재 요금표를 확인하거나, GPT Image 2.5 API 가이드에서 전체 마이크로센트 과금 계산식을 확인할 수 있습니다.
openai/gpt-image-2/edit-image 대비 한 가지 스키마 개선 사항은 2.5에서 quality가 선택 사항이 되었다는 점입니다. quality를 생략하면 워커는 기본값인 "high"를 사용하지만, 타이포그래피 교체 및 다중 객체 합성의 경우 명시적으로 "xhigh" 또는 "max"를 전달하는 것을 권장합니다.
델타 프롬프팅 규칙: 유지할 요소 고정 vs 변경할 요소 명시
개발자들이 openai/gpt-image-2.5-sunburst/text-to-image에서 edit-image로 넘어올 때 흔히 저지르는 가장 큰 실수는 입력 이미지의 어느 부분을 건드리지 말아야 할지 모델에 알려주지 않고 전체 장면 묘사를 처음부터 새로 작성하는 것입니다. 캔들 용기의 스튜디오 사진을 전달하면서 *"An amber glass candle jar on dark linen with a gold label reading BERGAMOT & CEDAR SOY CANDLE"*이라고만 프롬프트를 입력하면, 모델은 이를 용기를 다시 그리고 뚜껑의 나뭇결을 바꾸며 카메라 앵글을 이동해도 좋다는 허가로 받아들입니다.
레퍼런스 편집은 세 가지 명시적 절(clause)로 구조화된 델타 프롬프트를 작성할 때 가장 잘 작동합니다.
- 타겟 변경 사항: 수정해야 하는 정확한 영역, 소재 또는 텍스트 문자열을 명시합니다.
- 고정 불변 요소(Locked invariants): 원본 이미지에서 그대로 유지되어야 하는 구조적 요소(용기 실루엣, 캡 소재, 카메라 원근감, 배경 질감, 조명 방향)를 지정합니다.
- 위치 기반 레퍼런스 인덱스:
image_urls에 두 개 이상의 URL이 포함된 경우 1부터 시작하는 위치(image 1,image 2,image 3)로 각 입력을 지칭하고 각 파일이 수행하는 역할을 설명합니다.
워크플로우 1: amber-jar-original.png의 패키지 타이포그래피 교체
이커머스 팀이 아포테카리(약병 스타일) 캔들 용기의 마스터 팩샷(amber-jar-original.png)을 보유하고 있으며, 실제 용기를 다시 촬영하지 않고 12개 SKU에 걸쳐 향 이름을 현지화하거나 변경해야 한다고 가정해 보겠습니다.
다음은 "2K" 해상도와 "xhigh" 품질($0.105)로 openai/gpt-image-2.5-sunburst/edit-image를 호출하여 용기, 나무 뚜껑, 배경을 고정한 채 인쇄된 타이틀을 "BERGAMOT & CEDAR SOY CANDLE"로 교체하는 curl 요청입니다.
curl -X POST https://api.e2x.ai/v1/jobs/submit \
-H "Authorization: Bearer $E2X_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "openai/gpt-image-2.5-sunburst/edit-image",
"input": {
"prompt": "Change the main label title on the amber glass jar to \"BERGAMOT & CEDAR SOY CANDLE\" in the same serif font and gold foil finish. Keep the apothecary jar shape, wooden lid, and linen backdrop unchanged.",
"image_urls": [
"https://assets.yourstore.example.com/packshots/amber-jar-original.png"
],
"aspect_ratio": "4:5",
"resolution": "2K",
"quality": "xhigh"
}
}'

위 라벨 교체 워크플로우에 사용된 프롬프트:
"Change the main label title on the amber glass jar to \"BERGAMOT & CEDAR SOY CANDLE\" in the same serif font and gold foil finish. Keep the apothecary jar shape, wooden lid, and linen backdrop unchanged."
이 방식이 깔끔하게 작동하는 이유:
- 교체할 문자열
"BERGAMOT & CEDAR SOY CANDLE"이 이스케이프된 큰따옴표로 감싸져 있어 모델이 리터럴 문자의 시작과 끝을 정확히 인식합니다. - 타이포그래피 처리 지시(
in the same serif font and gold foil finish)는 GPT Image 2.5에게amber-jar-original.png에 이미 존재하는 금속 반사광과 획 스타일을 맞추도록 알려줍니다. - 고정 절(
Keep the apothecary jar shape, wooden lid, and linen backdrop unchanged)은 주변 스튜디오 장면이 변형되는 것을 방지합니다.
라벨 위치나 줄바꿈을 반복 테스트할 때는 처음 몇 번의 패스를 "resolution": "1K"($0.0525) 및 "quality": "xhigh"로 실행한 다음, 자간이 자연스러워지면 "resolution"을 "2K" 또는 "4K"로 올리세요.
워크플로우 2: image_urls를 활용한 2개 레퍼런스 제품 합성
단일 이미지 편집은 에셋을 제자리에서 업데이트합니다. 반면 다중 레퍼런스 편집을 사용하면 별도의 사진 플레이트들을 하나의 일관된 샷으로 결합할 수 있습니다. 포토샵에서 배경 위에 평면 PNG 누끼를 붙여 넣고 가짜 접촉 그림자를 손으로 그리는 대신, image_urls에 두 URL을 모두 전달하고 image 1의 객체가 image 2의 환경과 물리적으로 어떻게 상호작용하는지 GPT Image 2.5에 지시합니다.
아래 예제에서 image 1(chronograph-front.png)은 브러시드 티타늄 크로노그래프 시계의 깔끔한 정면 스튜디오 샷이고, image 2(wet-slate-surface.jpg)는 차가운 측면 조명과 네온 반사로 비춰진 젖은 어두운 슬레이트의 환경 텍스처 플레이트입니다.
"Place the titanium chronograph watch from image 1 onto the wet slate block in image 2. Match the cool side-lighting from image 2 and keep the sub-dial numerals sharp."

두 레퍼런스 합성이 물리적 통합을 어떻게 처리하는지 살펴보세요.
- 시계 케이스, 타키미터 베젤, 시침/분침, 서브 다이얼의 기하학적 구조는
image 1에서 가져옵니다. - 표면의 요철, 물방울, 방향성 있는 측면 조명은
image 2에서 가져옵니다. - 티타늄 브레이슬릿이 젖은 슬레이트에 닿는 지점에서는 시계 케이스의 각도에 맞춰 젖은 돌 표면에 사실적인 접촉 차폐(contact occlusion) 그림자와 정반사를 생성합니다.
image_urls에 세 번째 레퍼런스 URL을 추가하는 경우에도 명시적인 역할을 부여하세요. 예를 들어 *"Take the titanium chronograph watch from image 1, place it onto the wet slate surface in image 2, and apply the warm amber-and-teal color grading from image 3."*와 같이 작성합니다. image_urls의 모든 파일은 E2X 워커가 공개 HTTPS를 통해 접근할 수 있어야 합니다(비공개 버킷의 경우 만료 시간이 15분으로 설정된 사전 서명된 S3 또는 R2 URL이 적합합니다).
edit-image가 50,000자 프롬프트 한도를 제공하는 이유
openai/gpt-image-2.5-sunburst/text-to-image에서 prompt는 최대 32,000자까지 허용합니다. 반면 openai/gpt-image-2.5-sunburst/edit-image에서는 maxLength가 50,000자로 늘어납니다.
어떤 카피라이터도 키보드 앞에 앉아 50,000자를 직접 타이핑하지는 않습니다. 이 한도는 구조화된 제품 데이터베이스, OCR 텍스트 추출본, 브랜드 스타일 가이드로부터 소프트웨어가 프로그래밍 방식으로 프롬프트를 생성하는 자동화 카탈로그 및 현지화 파이프라인을 위해 존재합니다.
일반적인 자동화 현지화 파이프라인에서 단일 edit-image 페이로드는 prompt 내부에 네 가지 기계 생성 블록을 결합합니다.
- 원본 이미지의 전체 OCR 바운딩 박스 텍스트(빽빽한 영양 성분표나 기술 도면에서 어떤 기존 문자열을 교체하고 어떤 문자열을 그대로 둘지 모델이 정확히 알 수 있도록 함).
- 타겟 번역 맵(각 원본 텍스트 블록을 따옴표로 묶인 현지화 교체 문자열에 매핑).
- 엄격한 브랜드 및 패키징 불변 규칙(HEX 색상 레퍼런스, 소재 마감, 규제 아이콘 보존 규칙 및 네거티브 제약 조건).
image_urls의 모든 URL에 대한 역할 할당(기본 팩샷, 현지화된 배지 오버레이, 타겟 배경 환경 식별).
다음은 카탈로그 파이프라인이 구조화된 다중 레퍼런스 편집 페이로드를 조립하여 "max" 품질로 openai/gpt-image-2.5-sunburst/edit-image에 제출하고 결과물을 폴링하는 방법을 보여주는 TypeScript 예제입니다.
const E2X_API = "https://api.e2x.ai/v1";
interface LocalizationEditJob {
masterPackshotUrl: string;
environmentPlateUrl: string;
ocrTranscript: Array<{ region: string; originalText: string; replacementText: string }>;
lockedElements: string[];
brandLightingRules: string;
resolution?: "1K" | "2K" | "4K";
}
export function buildStructuredEditPrompt(job: LocalizationEditJob): string {
const textReplacements = job.ocrTranscript
.map(
(item, idx) =>
`${idx + 1}. In region [${item.region}], replace "${item.originalText}" with "${item.replacementText}" using the exact same typeface, weight, and foil finish.`
)
.join("\n");
const invariants = job.lockedElements.map((el) => `- ${el}`).join("\n");
const prompt = [
"TASK: Multi-reference product compositing and packaging copy localization.",
"SOURCE REFERENCES:",
"- image 1: Primary product packshot providing exact container geometry, cap proportions, and label layout.",
"- image 2: Target studio surface and lighting environment plate.",
"",
"COMPOSITE INSTRUCTION:",
"Place the product from image 1 onto the surface shown in image 2.",
job.brandLightingRules,
"",
"EXACT TYPOGRAPHY REPLACEMENTS ON PRODUCT LABEL:",
textReplacements,
"",
"LOCKED INVARIANTS (DO NOT ALTER):",
invariants,
].join("\n");
if (prompt.length > 50_000) {
throw new Error(`Constructed prompt (${prompt.length} chars) exceeds 50,000-char limit`);
}
return prompt;
}
export async function runCatalogComposite(
job: LocalizationEditJob,
apiKey = process.env.E2X_API_KEY
): Promise<string> {
if (!apiKey) throw new Error("Missing E2X_API_KEY");
const headers = {
Authorization: `Bearer ${apiKey}`,
"Content-Type": "application/json",
};
const submitRes = await fetch(`${E2X_API}/jobs/submit`, {
method: "POST",
headers,
body: JSON.stringify({
model: "openai/gpt-image-2.5-sunburst/edit-image",
input: {
prompt: buildStructuredEditPrompt(job),
image_urls: [job.masterPackshotUrl, job.environmentPlateUrl],
aspect_ratio: "auto",
resolution: job.resolution ?? "1K",
quality: "max",
},
}),
});
if (!submitRes.ok) {
throw new Error(`Submit failed (${submitRes.status}): ${await submitRes.text()}`);
}
const { data: submitted } = (await submitRes.json()) as {
data: { jobId: string };
};
for (let attempt = 0; attempt < 120; attempt++) {
await new Promise((r) => setTimeout(r, 3000));
const pollRes = await fetch(`${E2X_API}/jobs/${submitted.jobId}`, { headers });
const { data: state } = (await pollRes.json()) as {
data: {
status: string;
outputs?: Array<{ url: string }>;
error?: { message?: string };
};
};
if (state.status === "completed" && state.outputs?.[0]?.url) {
return state.outputs[0].url;
}
if (state.status === "failed" || state.status === "cancelled") {
throw new Error(state.error?.message ?? `Edit job ended with ${state.status}`);
}
}
throw new Error(`Edit job ${submitted.jobId} timed out`);
}
코드에서 "aspect_ratio": "auto"와 "quality": "max"를 전달하는 점에 주목하세요. "aspect_ratio": "auto"를 사용하면 정사각형 "1:1" 크롭을 강제하는 대신 레퍼런스 프레이밍의 종횡비를 그대로 유지합니다. 또한 작업이 끝나면 즉시 state.outputs[0].url에서 반환된 URL을 자체 오브젝트 스토리지 버킷으로 복사하거나, E2X SDK 페이지의 공식 클라이언트 헬퍼를 구성하는 것을 잊지 마세요.
E2X의 OpenAI 및 Google 이미지 편집 엔드포인트 비교
패키지 타이포그래피 업데이트, 복잡한 50K 델타 지시문, 그리고 xhigh / max 디테일 정제에는 openai/gpt-image-2.5-sunburst/edit-image가 최고의 선택이지만, 당사 image-to-image 카테고리의 다른 세 가지 엔드포인트는 2.5가 타겟팅하지 않는 고유한 문제들을 해결합니다.
| 편집 엔드포인트 | 1K 요금 | 2K 요금 | 4K 요금 | 프롬프트 한도 | 최적 활용 사례 |
|---|---|---|---|---|---|
openai/gpt-image-2.5-sunburst/edit-image | $0.0525 | $0.1050 | $0.1575 | 50,000자 | 패키지 라벨 교체, 다중 제품 합성, 기본 요금에 포함된 xhigh 및 max 티어, "auto" 종횡비. |
openai/gpt-image-2/edit-image | $0.0525 | $0.1050 | $0.1575 | 50,000자 | background: "transparent"를 통해 알파 채널 투명 PNG로 제품을 편집하거나 추출. |
google/nano-banana-2.1/edit-image | $0.0300 | $0.0400 | $0.0900 | 표준 | 1K($0.03) 및 4K($0.09) 편집 최저 비용, 극단적인 8:1, 1:8, 4:1, 1:4 배너 비율 지원. |
google/nano-banana-pro/edit-image | $0.0750 | $0.0750 | $0.1500 | 표준 | 역할별로 분리된 최대 14개의 레퍼런스 이미지에 걸쳐 인물의 얼굴 정체성과 캐릭터 유사성 유지. |
실무에서 이 네 가지 편집 모델 간에 라우팅하는 기준은 다음과 같습니다.
- 패키지 문구, 다중 제품 스튜디오 합성 및 50K 자동화 사양서:
openai/gpt-image-2.5-sunburst/edit-image(1K$0.0525)를 사용하세요.xhigh및max품질 티어와 50,000자 프롬프트 예산의 조합은 밀도 높은 타이포그래피 편집을 다른 어떤 라우트보다 뛰어나게 처리합니다. - 투명 배경 누끼 추출(
background: "transparent"):openai/gpt-image-2/edit-image(1K$0.0525)를 사용하세요. GPT Image 2.5에는background파라미터가 없으므로 결과물에 투명 알파 채널이 필요할 때는 언제나 GPT Image 2가 핵심 엔드포인트로 사용됩니다. 두 모델을 자동으로 전환하는 드롭인 라우터는 GPT Image 2.5 vs GPT Image 2 가이드를 참조하세요. - 대량 4K 배경 교체 및 울트라 와이드 배너:
google/nano-banana-2.1/edit-image를 사용하세요. 당사의 50% Google 할인이 적용되어 1K 편집당$0.03, 4K 편집당$0.09로 책정되어 있으며, OpenAI의$0.15754K 요금 대비 4K 편집 비용을 43% 절감하고 최대8:1비율을 지원합니다. - 반복 등장하는 인물 캐릭터 및 인물 사진 일관성:
google/nano-banana-pro/edit-image(1K/2K$0.075)를 사용하세요. Nano Banana Pro를 사용하면 레퍼런스 이미지를 역할별(캐릭터 정체성 최대 5장, 객체 최대 6장, 스타일 최대 3장)로 명시적으로 지정할 수 있어 스토리보드 프레임 간에 얼굴이 달라지는 현상을 방지합니다.
E2X 모델 카탈로그 및 text-to-image 카테고리에서 모든 이미지 편집 및 생성 엔드포인트를 나란히 비교할 수 있습니다.
자주 묻는 질문 (FAQ)
openai/gpt-image-2.5-sunburst/edit-image의 image_urls에는 몇 장의 원본 이미지를 전달할 수 있나요?
image_urls는 단일 요청에서 최대 10개의 공개 접근 가능한 HTTPS 이미지 URL 배열을 허용합니다. 여러 URL을 전달할 때는 prompt에서 1부터 시작하는 위치(image 1, image 2, image 3)로 지칭하고, 각 이미지가 주요 제품, 배경 환경 또는 조명 및 소재 레퍼런스 중 무엇을 제공하는지 명시하세요.
레퍼런스 3장을 사용한 다중 이미지 편집이 1장 편집보다 비용이 더 많이 드나요?
아니요. E2X에서 openai/gpt-image-2.5-sunburst/edit-image는 image_urls의 입력 URL 개수나 50,000자 프롬프트의 길이가 아니라 오직 출력 resolution("1K"는 $0.0525, "2K"는 $0.105, "4K"는 $0.1575)만을 기준으로 요청당 과금됩니다.
모델이 왜 배경만 바꾸지 않고 내 제품을 새로 그렸나요?
편집 프롬프트가 고정되어야 할 요소를 명시하지 않고 원하는 최종 장면만 묘사하면 모델이 피사체의 기하학적 구조를 재해석할 수 있습니다. 항상 프롬프트에 *"Keep the watch case, bezel markings, and hand positions from image 1 unchanged; only replace the background surface with the wet slate from image 2."*와 같은 명시적인 고정 절(lock clause)을 포함하세요.
image_urls에 로컬 파일 경로나 base64 데이터 URI를 전달할 수 있나요?
작업 실행 중 E2X 워커 노드가 레퍼런스 바이트를 직접 가져올 수 있도록 image_urls에는 공개적으로 접근 가능한 HTTPS URL(사전 서명된 S3, GCS 또는 Cloudflare R2 링크 등)을 제공해야 합니다.