上周 OpenAI 发布 Images 2.6 时，最容易被忽略的一行是：GIF 和 SVG 成了模型的原生输出格式。不是外挂转码工具，也不是「先出图再让人拼」，而是 output_format 里直接多两个取值。我拿一张普通证件照跑了一遍完整链路：换成休闲装卡通矢量、以同一张 SVG 为底版生成 12 款夸张表情动图、逐帧加中文文案，最后得到能直接发微信的表情包。整个过程没用视频模型，也没用任何在线动图工具。

一手资料：OpenAI 官方发布页 · 官方图像生成 API 文档

先把模型名字和能力边界说清楚

这次发布的是 Images 2.6 / GPT-Image-2.6（2026 年 11 月 4 日），API 里分两档：gpt-image-2.6-flare 偏快、gpt-image-2.6-sunburst 偏细。GIF 和 SVG 都是这一版新增的原生能力，但两者的生成机制完全不同。

GIF 是服务端排好帧直接返回完整 GIF89a，帧数、每帧时长、尺寸都在请求里控制，还带 NETSCAPE 无限循环标志。我实测 8 帧 × 150ms 得到 1.2 秒循环，delay 与请求值精确一致，不用自己拼帧。

SVG 则是两阶段：图像模型先出一张参考栅格图，再由撰写模型 gpt-6.1-sol 把它写成矢量代码，所以双重计费、明显更慢——这次卡通肖像花了 93 秒，而单个 GIF 只要 12–44 秒。代价换来的是一份 4.8 KB、26 条 path 的纯静态 XML：没有脚本、没有外链、没有内嵌位图，中文还是真正的 <text> 元素而非描成路径，可搜索、可程序化改写。

文档写「不支持」的四处，实测都能用

二手教程在参数范围上互相矛盾，我用 15 组真实调用逐字节解析产物，纠正了几处流传很广的说法。

常见说法	实测结果
编辑端点不支持 GIF / SVG	/v1/images/edits 两个都成功了，能把自己的图变成动图或矢量图
frame_count 可到 64 帧	实际 2–16，传 17 直接 400
GIF 参数放在 gif:{} 对象里	该对象根本不存在，参数必须放顶层
SVG 可省略撰写模型	必须传 svg.model，不传报 400
SVG 的 n 可以大于 1	只能为 1

最值钱的是第一行。官方文档和多篇二手文章都写「edits 端点不能输出 GIF/SVG」，但我用自己的 PNG 作输入，成功产出了 6 帧动图和一张带渐变、clipPath 的矢量图。这条路径一通，「把已有的 LOGO、角色、产品图变成动图或矢量」才成立，不必只能从文字凭空生成。文档明显滞后于 API 实际行为，接生产前建议自己回归一遍。

另外 frame_duration_ms 只校验下限 20，传 10000 也能成功（20 秒循环），别被「上限 2000」的说法限制住。

一张证件照改了三代，最后选了夸张

第一版把黑西装、白衬衫、领带全换成鼠尾草绿圆领卫衣，身份特征保留得不错，但把原照片的痣点如实画进了矢量图，嘴偏宽厚，头发还画成了浓密尖刺头。第二版按「去斑点、小嘴、少发、更简洁」重做，26 条 path、4.9 KB，比例更贴本人，代价是头发稀疏到接近秃顶、眉毛细到几乎没有存在感。

原始证件照涉及本人隐私，文中不展示，只留一个占位框和文字说明：白底、正面免冠、黑西装白衬衫领带、短黑发。它只以文字描述的形式进入提示词，不出现在任何一张配图里。

第三版换了方向：把耳朵放大到约 1.3 倍、明显向外支起；眉毛加粗到约 2 倍，做成两块压住上半张脸的浓黑实心形；头发恢复成满头整齐短黑发、自然圆润发际线，明确禁止 bald / thinning / receding / visible scalp，同时仍不许尖刺蓬松。皮肤干净、小嘴、极简几何、绿卫衣全部保留。

这里有个反直觉的判断：相似度靠比例和特征位置，不靠细节堆砌；但要做表情包，「更像本人」和「更能演」是两件事。收敛写实的细眉小耳，在 512×512 的动图里几乎看不见形变；大耳浓眉一旦成为识别锚点，就算嘴张成 O、眼睛挤成缝，读者仍然认得出是同一个人。夸张不是为了好看，是为了给动画留出形变余量。

整条链路只调了两次模型

环节	模型 / 参数	耗时	产物
证件照 → 卡通 SVG	sunburst · quality=high · svg.model=gpt-6.1-sol	93s	4.8 KB SVG，26 path / 9 个分组
SVG → PNG 底版	本地无头浏览器渲染 1024×1024	<3s	唯一身份底版
底版 → 表情动图 ×12	flare · frame_count=8 · frame_duration_ms=150 · quality=medium	12–44s / 个	12 个 GIF，8 帧循环
清洗背景 + 逐帧加字	本地 Pillow，不调用模型	<20s	12 个带字表情包

一致性的关键不是「写 12 段更好的提示词」，而是只渲染一张底版：把 SVG 转成 PNG 后，12 次调用全部以这张图为输入，共用同一段身份锁前缀（脸型、满发、大耳、浓眉、细长眼、宽鼻、肤色、小嘴、无斑点、绿卫衣、正面机位、近白背景），再各接一句表情描述。所以 12 个动图是同一个人在做 12 种表情，不是 12 个长得像的人。

最小可运行调用长这样，只留关键行：

files = {"image": open("cartoon_base.png", "rb")}
data = {
    "model": "gpt-image-2.6-flare",
    "prompt": IDENT_LOCK + "a huge hearty laugh ...",
    "output_format": "gif",
    "frame_count": 8,
    "frame_duration_ms": 150,
    "quality": "medium",
}
r = requests.post("https://api.openai.com/v1/images/edits",
                  headers={"Authorization": "Bearer " + KEY},
                  files=files, data=data)
open("laugh.gif", "wb").write(base64.b64decode(r.json()["data"][0]["b64_json"]))

注意 GIF 参数全部在顶层，svg[model] 这种嵌套写法只用于 SVG 请求。

表情夸张靠放开形变，不靠换提示词

V2 的 12 个表情其实已经齐全，但幅度克制：「惊讶」只是眉毛微抬，「大笑」嘴只张开一点，总览图里 12 张看起来像同一张脸。V3 做了两处改动。

一是身份锁里明确放开五官形变：浓眉可以高飞、紧锁或一高一低，眼睛可以瞪圆或完全挤闭，中性小嘴允许张大成 O 或咧成大笑，头部允许明显倾斜和点动；同时锁死发型、服装、背景不许变。二是每条表情描述都写成可量化的大动作，并要求「neutral → peak 的变化一眼可辨」。

结果 12 款分别是开心微笑、开怀大笑、眨眼得意、惊讶、思考、疑惑、困倦、微怒、腼腆、无语、委屈、点头赞同，统一 8 帧 × 150ms、512×512、无限循环。逐张抽帧目检过：大笑张嘴仰头、惊讶浓眉高飞眼睛瞪圆、微怒眉头紧锁下压、委屈眉心高抬嘴角下撇，同一个人、同样的绿卫衣，没有串脸或崩坏。

中文文案是本地加的：给每个 GIF 的每一帧叠 92px 白条，微软雅黑粗体 46px 居中，统一 256 色调色板避免帧间闪烁，loop=0 保持不变。这一步零 API 调用、零 token，「笑死我了」「懂的都懂」「让我想想」「……无话可说」这类聊天文案可以直接换成任何一套。

SVG 是一份能改的素材

模型给 SVG 打了语义化分组 id，这次拿到 9 个：sweatshirt、neck、ears、hair、face、brows、eyes、nose、mouth。这件事的价值比「矢量不糊」大得多。

• 换色：直接改 .sweatshirt 的 fill，一次生成出整套品牌色、深浅色图标，不用重新调模型。
• 做表情：CSS 压扁 eyes 就是眯眼、上移 brows 就是惊讶、缩放 mouth 就是张口或抿嘴。12 种表情在代码层切换，零新增文件、无损缩放，还能绑到加载中／成功／报错这些业务状态上。
• 改文字：中文是 <text> 元素（带思源黑体／微软雅黑回退），可搜索、可批量替换，做徽章、封面、多语言版本都是脚本活。

体积对比很直观：SVG 4.8 KB，单个 GIF 约 300 KB。真实情绪表演是 AI 动图更自然，状态联动和批量素材是矢量更合适，两者互补而不是替代。

最后一公里还是本地脚本

生成模型没有把工程问题一起解决。头部轻微侧移时，模型会在背景留下浅灰晕、不规则白块，甚至偏肤色的残影——「思考」那张最重，边缘脏像素一度到 25.9%。这类残影是近中性亮色，而肤色明显偏橙（红蓝通道差约 100），所以清洗判据定成「三通道极差 < 20 且最暗通道 > 165 就刷白」，只清背景、不碰人物；再从 raw/ 里的原始 GIF 幂等重清洗，统一 256 色调色板重编码，保留每帧时长与无限循环。偏肤色那张清不掉，追加「每帧背景必须完全一致、不得有任何光晕或残影」的约束单独重生成一次才彻底干净。

这提醒了一件很实际的事：把模型接进生产流程，最后通常还是要有传统图像处理兜底，以及一套可复跑的清洗脚本。

能拿去用的三个场景

表情包与角色资产：一张立绘出一个角色的三态资产——SVG 做图标与换色、PNG 做参考图、GIF 做表情与分镜，同一模型家族、同一套描述，一致性比跨工具拼凑好。短剧或视频项目也可以先用 8 帧 GIF 验证角色动作，再投贵的视频生成。

状态联动的数字人：把语义分组接进组件，用 CSS 变换做加载中、成功、报错，不新增文件、不花 token，尺寸任意缩放。

技术文章配图：内联 SVG 天然满足「移动端不糊、字号可调、离线可开」，比把 1080 宽、14px 字的 PNG 塞进手机正文清楚得多。

两点提醒

一是成本结构：SVG 走两阶段双计费，93 秒、3731 tokens；单个 GIF 约 12–44 秒、2440 tokens。批量做表情包前先算好账，SVG 只做一次底版最划算。二是这次把 API key 明文贴在对话里做测试，用完应当去控制台轮换一次；另外调 api.openai.com 时环境自带代理会返回 502、本机 DNS 也被污染，最后走本机 127.0.0.1:1080 才通，后续沿用这条路径。

参考资料

• OpenAI 官方发布页：https://openai.com/index/introducing-images-2-6/
• OpenAI 图像生成 API 文档：https://developers.openai.com/api/docs/guides/image-generation
• 本文全部实测产物与可复跑脚本：image26-lab/portrait/v3/（12 个纯净动图、12 个带字表情包、可编辑 SVG）、image26-lab/portrait_pipeline.py、image26-lab/build_showcase.py

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。