Bildgenerierungs-API-Kosten: 5 Modelle ($0.006–$0.039)

Wir haben ein ursprünglich für Text-LLMs entwickeltes Gateway um Bilderzeugung erweitert und gemessen, wie sich vier Variablen auf die Kosten auswirken: Modell, Auflösung, Anzahl der Bilder und Qualität. Den größten Einfluss hat die Qualität. Fast alle Bild-APIs bieten dafür einen Parameter, doch die meisten Aufrufer belassen ihn beim Standardwert. Auflösung, Prompt Caching und Batching wirken sich deutlich weniger aus als oft angenommen.

TL;DR

• Der gpt-image-Parameter quality verändert die Kosten bei identischer Auflösung um etwa den Faktor 36: Für low/medium/high bei 1024x1024 werden 196 / 1,756 / 7,024 Output-Token ($0.0060 / $0.053 / $0.211) abgerechnet.
• Die Modellwahl macht einen Unterschied um den Faktor 6.4: $0.0060 pro Bild mit gpt-image-2 bei niedriger Qualität gegenüber $0.0387 mit gemini-2.5-flash-image.
• Die Auflösung wirkt sich kaum aus: Der Wechsel von 1024x1024 auf 2048x2048 verdoppelte die Kosten pro Bild bei gpt-image-2 lediglich.
• Bei der Bilderzeugung gibt es kein Prompt Caching, und mit n=4 wird der Prompt viermal abgerechnet. Unter etwa 1,000 Output-Token ist die tokenbasierte Abrechnung günstiger, darüber die Pauschale pro Bild.

Unterschiede zwischen Bildmodellen

Bildmodelle lassen sich nicht ohne Weiteres gegeneinander austauschen. Sie unterscheiden sich in mehreren Punkten, von denen nur die Abrechnungsart direkt den Preis betrifft. Der aktuelle Katalog im Überblick:

Wer davon ausgeht, dass sich alle Modelle gleich verhalten, stößt vor allem bei diesen Punkten auf Probleme:

• Abrechnungsart. Entweder pro Token (gpt-image, gemini) oder pauschal pro Bild (qwen, wan, seedream). Dieser Unterschied bestimmt die Rechnung und steht im Mittelpunkt des nächsten Abschnitts.
• Der quality-Regler. Nur gpt-image bietet ihn an (low/medium/high). Bei Gemini ändert sich die Wiedergabequalität über die Modellstufe (flash bis pro) oder image_size; die pauschal abgerechneten Modelle haben keinen solchen Regler. Dieser einzelne Parameter verändert die Kosten um etwa den Faktor 36 und ist damit der wichtigste Kostenhebel.
• Batch (n>1) wird nicht überall unterstützt. gpt-image, qwen und wan liefern mehrere Bilder pro Aufruf zurück. Alle Bildmodelle von Gemini und Seedream erzeugen dagegen genau ein Bild pro Aufruf: n=2 führt zu einem 400. Für N Bilder müssen Sie daher N Requests senden und den Batch selbst orchestrieren.
• Auflösungsgrenzen wirken in beide Richtungen. gemini-2.5-flash-image ist auf 1K (1 MP) begrenzt, während gemini-3 2K/4K erreicht und sich die Kosten von 1K auf 4K ungefähr verdoppeln. Seedream 4.5/5.0 setzen eine Untergrenze von etwa 1920² durch und lehnen kleinere Bilder ab. qwen-image unterstützt einen Bereich von 512²–2048². Eine höhere Auflösung ist nicht immer verfügbar, und zur Kostensenkung lässt sie sich nicht immer reduzieren.
• Steuerparameter und Image-to-Image unterscheiden sich. Nur einige Modelle akzeptieren seed, negative_prompt oder guidance_scale. Beim Bearbeiten reicht die Obergrenze für Referenzbilder von 3 (gemini-2.5) bis 16 (gpt-image).

Der quality-Regler hat eine weniger offensichtliche Eigenschaft. Bei gpt-image ist ein Output-Token eine Abrechnungseinheit und kein Maß für die ausgelieferte Datei. OpenAI ermittelt die Anzahl anhand einer veröffentlichten Tabelle mit Werten pro Kombination aus quality und size (272 / 1,056 / 4,160 Token für low / medium / high bei 1024² mit gpt-image-1). Die Anzahl ergibt sich also aus quality, nicht aus den zurückgegebenen Bytes. Das haben wir überprüft: Derselbe Prompt erzeugte bei 1024² auf allen drei Stufen identische 1024×1024-PNGs mit ungefähr derselben Dateigröße von etwa 0.9 MB. Abgerechnet wurden dennoch 196, 1,756 und 7,024 Token. Gleiche Auflösung, gleiche Byte-Größe, 36-fache Kosten. Bezahlt wird der Rendering-Aufwand, nicht die Pixelzahl. Deshalb sollte man usage auswerten, statt die Kosten anhand des Ergebnisses zu schätzen.

Prompt Caching unterstützt keines dieser Modelle, obwohl es oft der erste Ansatz zur Kostensenkung ist. Bilderzeugung ist zustandslos: Es gibt weder eine Konversation noch einen wiederverwendbaren KV-State, das usage-Objekt enthält keine Cache-Felder, und wie unsere Messungen unten zeigen, wird der Prompt auch bei Batches nicht gemeinsam genutzt. Caching ist eine Chat-Funktion und steht bei Bildern nicht zur Verfügung. Eine verbreitete Annahme zur Senkung der Bildkosten entfällt damit.

Unsere Messungen

Wir verwendeten denselben Produkt-Prompt im E-Commerce-Stil und führten echte Generierungen über das Gateway aus. Die Kosten wurden aus dem zurückgegebenen usage und den veröffentlichten Preisen des jeweiligen Modells berechnet. Fünf Erkenntnisse aus fünf getrennten Messreihen.

1. Das Bild verursacht die Kosten, nicht der Prompt. Bei Text-to-Image, also Prompt rein und Bild raus, entfallen 97–100% der Rechnung auf Output-Token: Eine 1024²-Generierung mit gpt-image-2 verbraucht 21 Input- und 196 Output-Token (etwa $0.0001 plus $0.0059), gemini-2.5-flash-image benötigt 10 Input-Token. Der Text-Prompt fällt preislich kaum ins Gewicht. Das gilt jedoch nur, weil er aus Text besteht. Wird stattdessen ein Bild eingespeist, etwa bei Image-to-Image mit der Anweisung „Mach diesen Becher blau“, entstehen deutlich mehr Input-Token:

Der Input steigt um den Faktor 50–130 und skaliert linear: Jedes weitere Referenzbild fügt bei gpt-image-2 etwa 1,025 Token hinzu. Für 1, 2 und 3 Referenzen haben wir 1,043, 2,068 und 3,093 gemessen. Bei niedriger Qualität übersteigen diese Input-Token den generierten Output um den Faktor fünf. Das Grundprinzip bleibt gleich: Das Bild verursacht die Kosten, unabhängig davon, ob es erzeugt oder bereitgestellt wird. Der Prompt tut es nie. Der Rest dieses Artikels behandelt Text-to-Image; die ausführlichere Kostenanalyse für Image-to-Image folgt separat.

2. Die Modellwahl macht einen Unterschied um den Faktor 6. Identischer 1024²-Request mit Standardqualität:

Zwischen dem günstigsten und dem teuersten Weg liegt der Faktor 6.4. Ausschlaggebend ist allein die Anzahl der Output-Token des jeweiligen Modells.

3. Die Auflösung verändert die Kosten kaum. Bei unserer Messreihe mit gpt-image-2 von 1024² bis 2048² blieben die Kosten pro Bild ungefähr auf demselben Niveau ($0.0060 bis $0.0121). Die Anzahl der Output-Token wächst nicht proportional zur Pixelzahl. gemini-2.5-flash-image gab unabhängig von der angeforderten Größe stets dieselben 1,290 Token zurück, da das Modell auf 1K begrenzt ist und size nur das Seitenverhältnis ändert. (Die gemini-3-Bildstufen berücksichtigen image_size; von 1K auf 4K verdoppeln sich die Kosten ungefähr. Für das hier untersuchte 2.5-flash-image gilt das nicht.) Pauschal pro Bild abgerechnete Modelle sind definitionsgemäß unabhängig von der Auflösung. Bis hierhin ist das tokenbasierte Modell preislich schwer zu schlagen.

4. Die Qualität bestimmt den Umschlagpunkt. Messung von gpt-image-2 über alle Qualitätsstufen:

Von low zu medium steigen die Output-Token ungefähr um den Faktor 9, von low zu high um etwa den Faktor 36. Bei niedriger Qualität ist das tokenbasierte Modell am günstigsten. Bei mittlerer oder hoher Qualität überschreitet es den Pauschalpreis pro Bild ($0.03–0.035). Der rechnerische Umschlagpunkt liegt bei etwa 1,000 Output-Token ($0.03 ÷ $30/M): low liegt darunter, medium darüber. Damit müssen wir auch eine frühere Schlussfolgerung korrigieren. „Pro Token ist immer am günstigsten“ war ein Artefakt unserer Tests mit der standardmäßig niedrigen Qualität.

Derselbe Prompt, gpt-image-2, 1024². Für low / medium / high werden 196 / 1,756 / 7,024 Output-Token beziehungsweise $0.006 / $0.053 / $0.215 abgerechnet: Bei identischer Auflösung liegen die Kosten um den Faktor 36 auseinander. Bei einer sauberen Produktaufnahme wie dieser sind die drei Ergebnisse kaum zu unterscheiden, sodass die günstigste Stufe oft ausreicht. Setzen Sie quality passend zur Aufgabe, statt standardmäßig high zu verwenden.

5. Ein Prompt lässt sich nicht über mehrere Bilder teilen. Wer mit einem Aufruf n Bilder erzeugt, verteilt die Prompt-Kosten nicht auf diese Bilder. gpt-image-2 rechnet den Prompt N-mal ab: Bei n=4 stiegen die Input-Token von 28 auf 112, bei einem langen Marken-Prompt von 499 auf 1,996. Die Kosten pro Bild waren mit n=1 und n=4 identisch. Da außerdem kein Caching verfügbar ist, gibt es bei der Bilderzeugung keinen Mechanismus, um Prompt-Kosten zu teilen. Jedes Ausgabebild wird einzeln berechnet, einschließlich des jeweiligen Prompts.

Die Entscheidungsregel

Bei Text-to-Image kommt es auf die Qualität an, nicht auf die Faktoren, die häufig als ausschlaggebend gelten:

• Niedrige Qualität / Entwurf / Thumbnail: ein tokenbasiertes Modell mit Qualitätsstufen (gpt-image, etwa $0.006–0.012). Bis ungefähr 2K ist das bei jeder Auflösung die günstigste Option.
• Mittlere / hohe Qualität: Pauschale pro Request (seedream / qwen, $0.03–0.035). Die tokenbasierte Rechnung steigt stark an ($0.05–0.43 in unserer Messreihe); die Pauschale ist günstiger und unabhängig von der Qualität.
• gemini (bei standardmäßigem 1K etwa $0.039) ist selten die kostengünstigste Wahl. Bei niedriger Qualität ist gpt-image günstiger, bei mittlerer und hoher Qualität die Pauschale pro Request. Einen quality-Regler gibt es nicht. Die Pro-Stufe oder eine höhere image_size wählt man wegen der Ausgabequalität, nicht wegen des Preises.
• Die Auflösung verändert die Kosten innerhalb einer Qualitätsstufe ungefähr um den Faktor 2. Das reicht nicht aus, um die Modellwahl zu ändern. Die Qualität tut es.
• n>1, Caching und Batching senken die Kosten pro Bild nie. Es gibt nichts, was geteilt werden könnte.
• Image-to-Image: Standardmäßig pauschal pro Bild abrechnen. Ein Referenzbild zählt als Input, und nur tokenbasierte Modelle berechnen dafür einen Aufpreis von etwa 1,025 Token pro Bild. Bei pauschal abgerechneten Modellen ist es enthalten. Für die Bearbeitung sind seedream / qwen daher meist günstiger. gpt-image bleibt nur bei Bearbeitungen mit niedriger Qualität und wenigen Referenzen günstiger. Bei ungefähr 5 Referenzen wird der Pauschalpreis überschritten; mit steigender Qualität oder Referenzanzahl verliert das Modell weiter.

E-Commerce ist das deutlichste Beispiel. Angenommen, Sie erzeugen Produktfotos und senden für jeden Artikel im Katalog denselben langen Marken-Prompt. Dabei gehen Sie davon aus, dass Caching dieses wiederholten Prompts Kosten spart. Das funktioniert aus zwei Gründen nicht: Der Prompt war nie der wesentliche Kostenfaktor, sondern das Bild, und für die Bilderzeugung gibt es ohnehin kein Caching. Da echte Produktbilder meist mindestens mittlere Qualität erfordern, ist ein Modell mit Pauschale pro Bild die richtige Wahl. Es ist günstiger und besser kalkulierbar, unabhängig davon, wie stark sich die Prompts wiederholen.

Die eingangs genannten funktionalen Grenzen können diese Wahl trotzdem überstimmen: Modelle mit nur einem Bild pro Aufruf, Ober- und Untergrenzen für die Auflösung, Vorgaben zur Datenresidenz und die jeweils angebotenen Parameter (seed, negative_prompt, guidance_scale). Wählen Sie zuerst anhand der Kosten und prüfen Sie anschließend, ob die Funktionen zur Aufgabe passen.

Warum diese Zahlen belastbar sind

Die Werte stammen aus echtem usage und wurden mit den Listenpreisen der jeweiligen Anbieter berechnet. Es handelt sich nicht um Schätzungen. Die Bildabrechnung in unserem Gateway ist sessionlos: Sie wird nur bei einem 2xx abgeschlossen, fehlgeschlagene Generierungen werden nie berechnet. Vor jeder Ausgabe prüfen wir die maximal möglichen Kosten. Fehlt usage in der Antwort, wird der Höchstbetrag abgerechnet, statt stillschweigend $0 anzusetzen. Dahinter steht dasselbe Prinzip, das wir überall anwenden: Verlassen Sie sich auf die berechneten Kosten, nicht auf einen vom Anbieter gelieferten Wert. Mit dieser Methode haben wir auch geprüft, ob ein Gateway falsche Cache-Angaben macht.

Fazit

Bilderzeugung sieht auf den ersten Blick wie ein weiterer Endpoint aus, doch die Abrechnungseinheit ist eine andere. Bei Text-to-Image ist weder der Prompt entscheidend, da es kein Caching und keine gemeinsame Prompt-Abrechnung im Batch gibt, noch die Auflösung. Entscheidend ist die Qualität: Bei niedriger Qualität ist gpt-image am günstigsten, bei mittlerer und hoher Qualität gewinnen Pauschalmodelle pro Bild (seedream / qwen). Der Umschlagpunkt liegt bei ungefähr 1,000 Output-Token. Legen Sie die Qualität bewusst fest, wählen Sie das passende Modell und prüfen Sie die Kosten. Beim Wechsel von der Erzeugung zur Bearbeitung mit Referenzbild muss neu gerechnet werden, weil dann das Input-Bild zum Kostenfaktor wird.

FAQ

Senkt Prompt Caching die Kosten der Bilderzeugung? Nein. Die Generierung ist zustandslos: Das usage-Objekt enthält keine Cache-Felder, und beim Batching wird der Prompt für jedes Bild erneut berechnet. Die Kosten entstehen durch das Ausgabebild, nicht durch den Text.

Was ist günstiger: Abrechnung pro Token oder pro Bild? Das hängt von der Qualität ab. Für niedrige Qualität oder Entwürfe ist ein Modell mit quality-Regler wie gpt-image günstiger (etwa $0.006–0.012). Bei mittlerer oder hoher Qualität ist eine Pauschale pro Bild wie bei seedream/qwen günstiger ($0.03–0.035), weil die tokenbasierte Rechnung stark ansteigt. Bei Image-to-Image spricht noch mehr für die Pauschale: Referenzbilder sind dort kostenlos enthalten, während tokenbasierte Modelle pro Bild etwa 1,025 zusätzliche Token berechnen.

Quellen

• OpenAI: API zur Bilderzeugung
• OpenAI: Tokenbasierte Preise für gpt-image
• Google: Preise der Gemini API für Bild-Output-Token
• OpenAI: Prompt Caching und warum es nicht für die Bilderzeugung gilt

Alle Angaben geprüft am 2026-06-19. Keine Finanzberatung; prüfen Sie die aktuellen Preise, bevor Sie sich darauf verlassen.

← Zurück zum Blog