Costo delle API di generazione di immagini: confronto tra 5 modelli ($0.006-$0.039)

Abbiamo aggiunto la generazione di immagini a un gateway progettato per LLM testuali e misurato l’impatto di quattro variabili sui costi: modello, risoluzione, numero di immagini e qualità. La leva principale è la qualità, un parametro esposto dalla maggior parte delle API di immagini che quasi tutti lasciano al valore predefinito. Risoluzione, prompt caching e batching incidono molto meno di quanto si pensi.

TL;DR

• Il parametro quality di gpt-image fa variare il costo di circa 36 volte a parità di risoluzione: 196 / 1,756 / 7,024 output token fatturati ($0.0060 / $0.053 / $0.211) per low/medium/high a 1024x1024.
• La scelta del modello incide fino a 6.4 volte: $0.0060 per immagine con gpt-image-2 a bassa qualità contro $0.0387 con gemini-2.5-flash-image.
• La risoluzione incide pochissimo: passando da 1024x1024 a 2048x2048, il costo per immagine di gpt-image-2 è soltanto raddoppiato.
• La generazione di immagini non supporta il prompt caching e con n=4 il prompt viene fatturato quattro volte; la tariffazione per token conviene sotto circa 1,000 output token, mentre oltre quella soglia conviene il prezzo fisso per immagine.

Come differiscono i modelli di generazione di immagini

I modelli di generazione di immagini non sono intercambiabili. Differiscono sotto diversi aspetti e soltanto uno, il metodo di tariffazione, riguarda direttamente il prezzo. Ecco una panoramica del catalogo attivo:

Gli aspetti che creano problemi quando si presume che tutti i modelli si comportino allo stesso modo:

• Metodo di tariffazione. Per token (gpt-image, gemini) oppure a prezzo fisso per immagine (qwen, wan, seedream). È il fattore che determina il costo e sarà analizzato nella prossima sezione.
• Il parametro quality. È disponibile soltanto su gpt-image (low/medium/high). Con Gemini la qualità varia in base al tier del modello (flash o pro) oppure a image_size; i modelli a prezzo fisso non offrono un parametro equivalente. Questo singolo parametro fa variare il costo di circa 36× ed è quindi la leva principale.
• Il batch (n>1) non è supportato ovunque. gpt-image, qwen e wan possono restituire più immagini per chiamata. Tutti i modelli di immagini Gemini e Seedream restituiscono invece una sola immagine per chiamata: n=2 produce un 400, quindi servono N richieste e il batch va orchestrato lato client.
• I limiti di risoluzione operano in entrambe le direzioni. gemini-2.5-flash-image si ferma a 1K (1 MP), mentre gemini-3 arriva a 2K/4K, con un costo che all’incirca raddoppia passando da 1K a 4K. Seedream 4.5/5.0 impone una risoluzione minima di circa 1920² e rifiuta valori inferiori. qwen-image supporta risoluzioni comprese tra 512² e 2048². Una risoluzione superiore non è sempre disponibile, così come non è sempre possibile ridurla per risparmiare.
• I parametri di controllo e il supporto image-to-image cambiano. Soltanto alcuni modelli accettano seed, negative_prompt o guidance_scale; il limite di immagini di riferimento per l’editing va da 3 (gemini-2.5) a 16 (gpt-image).

Il parametro quality ha una caratteristica poco intuitiva. Con gpt-image, un output token è un’unità di fatturazione, non una misura del file restituito. OpenAI assegna il numero di token in base a una tabella pubblica per ogni combinazione (quality × size): 272 / 1,056 / 4,160 token per low / medium / high a 1024² su gpt-image-1. Il conteggio dipende quindi da quality, non dai byte restituiti. Lo abbiamo verificato: usando lo stesso prompt a 1024² per tutti e tre i livelli abbiamo ottenuto PNG identici da 1024×1024, con dimensioni simili, circa 0.9 MB, ma sono stati fatturati 196, 1,756 e 7,024 token. Stessa risoluzione, stessi byte, costo 36 volte superiore. Si paga lo sforzo di rendering, non il numero di pixel. Per questo bisogna leggere usage, non valutare il costo osservando l’output.

Nessuno di questi modelli supporta il prompt caching, spesso la prima soluzione a cui si pensa per ridurre i costi. La generazione di immagini è stateless: non ci sono conversazioni o stato KV da riutilizzare, l’oggetto usage non contiene campi relativi alla cache e, come mostrano le misurazioni riportate più avanti, il batching non condivide il prompt. Il caching è una funzionalità delle chat, non delle immagini. Non può quindi essere usato per ridurre i costi di generazione.

Le nostre misurazioni

Abbiamo usato lo stesso prompt in stile e-commerce, eseguito generazioni reali attraverso il gateway e calcolato il costo applicando le tariffe pubbliche di ogni modello ai dati usage restituiti. Abbiamo ricavato cinque risultati, ciascuno da una serie di test separata.

1. Il costo è nell’immagine, non nel prompt. Nel text-to-image, dove si invia un prompt e si riceve un’immagine, gli output token rappresentano il 97-100% del costo: una generazione 1024² con gpt-image-2 usa 21 input token e 196 output token, circa $0.0001 più $0.0059; gemini-2.5-flash-image usa 10 input token. Il costo del prompt è trascurabile, ma soltanto perché si tratta di testo. Se l’input è invece un’immagine, come nell’image-to-image con un prompt tipo «rendi blu questa tazza», il numero di input token aumenta molto:

L’input aumenta di 50-130× e cresce linearmente: ogni immagine di riferimento aggiuntiva comporta circa 1,025 token su gpt-image-2. Con 1, 2 e 3 riferimenti abbiamo misurato rispettivamente 1,043, 2,068 e 3,093 token. A bassa qualità, gli input token sono cinque volte più numerosi degli output token generati. Il principio rimane invariato: il costo è nell’immagine, sia quando viene generata sia quando viene fornita; non è mai nel prompt. Il resto dell’articolo riguarda il text-to-image; l’analisi economica completa dell’image-to-image richiede un approfondimento separato.

2. La scelta del modello incide fino a 6×. Stessa richiesta 1024², qualità predefinita:

Tra l’opzione più economica e quella più costosa c’è una differenza di 6.4×, dovuta interamente al numero di output token prodotti da ciascun modello.

3. La risoluzione incide pochissimo. Portando gpt-image-2 da 1024² a 2048², il costo per immagine è rimasto quasi invariato, passando da $0.0060 a $0.0121; gli output token non sono proporzionali ai pixel. gemini-2.5-flash-image ha restituito sempre 1,290 token, indipendentemente dalle dimensioni richieste, perché supporta soltanto 1K e size modifica unicamente le proporzioni. I tier di immagini gemini-3 rispettano invece image_size e il costo all’incirca raddoppia passando da 1K a 4K, ma non è così per 2.5-flash-image, il modello analizzato qui. Per definizione, nei modelli a prezzo fisso per immagine il costo non dipende dalla risoluzione. Fin qui, il modello a tariffazione per token sembra difficile da battere.

4. La qualità determina il punto di pareggio. Risultati di gpt-image-2 per i vari livelli di qualità:

Gli output token aumentano di circa 9× passando da low a medium e di circa 36× passando da low a high. A bassa qualità, il modello a consumo per token è l’opzione più economica; a qualità media o alta, supera il prezzo fisso per immagine di $0.03-0.035. Il punto di pareggio si trova dove suggerisce il calcolo, intorno a 1,000 output token ($0.03 ÷ $30/M): low rimane sotto, medium va oltre. Questo corregge anche una nostra conclusione precedente. L’affermazione «la tariffazione per token è sempre la più economica» dipendeva dai test eseguiti con la qualità bassa predefinita.

Stesso prompt, gpt-image-2, 1024². low / medium / high fatturano 196 / 1,756 / 7,024 output token, cioè $0.006 / $0.053 / $0.215: una differenza di 36× a parità di risoluzione. Per una semplice foto di prodotto come questa, distinguere i tre risultati è difficile, quindi spesso basta il livello più economico. Impostate quality in base al caso d’uso, invece di usare sempre high.

5. Non è possibile condividere il prompt tra più immagini. Generare n immagini in un’unica chiamata non ammortizza il costo del prompt. gpt-image-2 lo fattura N volte: gli input token sono passati da 28 a 112 con n=4, mentre con un lungo prompt di brand sono saliti da 499 a 1,996. Il costo per immagine era identico con n=1 e n=4. Non essendoci nemmeno caching, la generazione di immagini non offre alcun meccanismo per condividere il costo del prompt. Si paga ogni immagine prodotta e il prompt viene fatturato di nuovo ogni volta.

La regola per scegliere

Nel text-to-image la scelta dipende dalla qualità, non dai fattori che di solito si considerano:

• Qualità bassa / bozza / thumbnail: un modello per token con parametro di qualità (gpt-image, circa $0.006-0.012). È l’opzione più economica a qualsiasi risoluzione fino a circa 2K.
• Qualità media / alta: prezzo fisso per richiesta (seedream / qwen, $0.03-0.035). Il costo per token cresce rapidamente, da $0.05 a $0.43 nei nostri test, mentre il prezzo fisso è più economico e non dipende dalla qualità.
• gemini (circa $0.039 a 1K predefinito) raramente è la scelta più conveniente. A bassa qualità costa più di gpt-image; a qualità media e alta costa più dei modelli a prezzo fisso per richiesta. Non offre un parametro quality: il tier Pro o un valore image_size superiore si scelgono per la qualità dell’output, non per il prezzo.
• La risoluzione può far variare il costo di circa 2× all’interno dello stesso livello di qualità, ma non abbastanza da cambiare la scelta. La qualità sì.
• n>1, caching e batching non riducono mai il costo per immagine. Non c’è nulla da condividere.
• Image-to-image: come impostazione predefinita, scegliete un prezzo fisso per immagine. Un’immagine di riferimento fa parte dell’input e soltanto i modelli a consumo per token applicano un costo aggiuntivo, circa 1,025 token ciascuna; i modelli a prezzo fisso la includono gratuitamente. Per l’editing, seedream / qwen sono in genere più convenienti. gpt-image rimane più economico soltanto per modifiche a bassa qualità con pochi riferimenti; intorno a 5 si supera il prezzo fisso. Perde il vantaggio all’aumentare della qualità o del numero di riferimenti.

L’e-commerce è l’esempio più chiaro. Supponiamo di generare foto di prodotto inviando lo stesso lungo prompt di brand per ogni articolo del catalogo, contando sul caching del prompt ripetuto per risparmiare. Non funziona per due motivi: il costo non era nel prompt, ma nell’immagine, e la generazione non supporta il caching. Poiché le immagini di prodotto reali richiedono una qualità media o superiore, la scelta corretta è un modello a prezzo fisso per immagine, più economico e prevedibile indipendentemente da quanto siano ripetitivi i prompt.

I vincoli funzionali descritti nella prima sezione possono comunque prevalere sul costo: modelli limitati a un’immagine per chiamata, risoluzioni minime e massime, limiti di data residency e disponibilità di parametri come seed, negative_prompt e guidance_scale. Scegliete in base al costo, poi verificate che il modello supporti i requisiti necessari.

Perché questi dati sono affidabili

I valori derivano dai dati usage reali e dalle tariffe pubbliche dei singoli provider, non da stime. Sul nostro gateway, la fatturazione delle immagini è senza sessione: il costo viene addebitato soltanto in caso di risposta 2xx, quindi una generazione fallita non viene mai fatturata; prima di sostenere qualunque spesa viene verificato il costo massimo possibile; se manca usage, viene applicato il costo massimo anziché registrare silenziosamente $0. Il principio è lo stesso che applichiamo ovunque: bisogna fidarsi del costo verificato, non del dato fornito dal vendor. È il metodo usato per verificare se un gateway falsifica i dati della cache.

In sintesi

La generazione di immagini può sembrare un endpoint come gli altri, ma cambia l’unità di fatturazione. Nel text-to-image, la leva principale non è il prompt, perché non ci sono né caching né condivisione tramite batch, e non è neppure la risoluzione. È la qualità: gpt-image è più economico a qualità bassa, mentre il prezzo fisso per immagine (seedream / qwen) conviene a qualità media e alta. Il punto di pareggio è vicino a 1,000 output token. Impostate la qualità in modo esplicito, scegliete il modello di conseguenza e controllate il costo. Quando passate dalla generazione all’editing fornendo un’immagine di riferimento, rifate i calcoli: in quel caso il costo si sposta sull’immagine di input.

FAQ

Il prompt caching riduce il costo della generazione di immagini? No. La generazione è stateless: l’oggetto usage non contiene campi relativi alla cache e il batching fattura nuovamente il prompt per ogni immagine. Il costo è nell’immagine prodotta, non nel testo.

È più conveniente pagare per token o per immagine? Dipende dalla qualità. Per qualità bassa o da bozza conviene un modello con parametro quality come gpt-image, circa $0.006-0.012. Per qualità media o alta conviene un modello a prezzo fisso per immagine come seedream/qwen, $0.03-0.035, perché la tariffa per token cresce rapidamente. Nell’image-to-image il vantaggio del prezzo fisso aumenta: le immagini di riferimento sono incluse gratuitamente, mentre i modelli per token aggiungono circa 1,025 token per ciascuna.

Fonti

• OpenAI: API per la generazione di immagini
• OpenAI: prezzi per token di gpt-image
• Google: prezzi delle API Gemini per gli output token delle immagini
• OpenAI: prompt caching e perché non si applica alla generazione di immagini

Dati verificati il 2026-06-19. Non costituisce consulenza finanziaria; verificate i prezzi attuali prima di fare affidamento su queste cifre.

← Torna al blog