Seedream 5.5 图片生成

Dola Seedream 5.5 的文生图、参考图编辑、透明 PNG、图层拆分和富文本 OCR 接口参数与示例。

在 ModelSell 使用 dola-seedream-5-5-261028 生成图片、编辑参考图或拆分图层。三种用法共用一个 JSON 接口。

POST https://api.modelsell.com/v1/images/generations
Authorization: Bearer $MODELSELL_API_KEY
Content-Type: application/json

普通出图每次生成一张图片，支持原生 RGBA 透明背景。图层拆分最多返回一张底图和 99 个透明 PNG 图层，规整文字图层可附带富文本 OCR。

请求参数

参数	类型	默认值	说明
`model`	string	必填	`dola-seedream-5-5-261028`
`prompt`	string	—	普通出图必填。拆层可省略，由模型识别主要元素，也可指定要拆出的元素。建议在 300 个汉字或 600 个英文单词以内。
`image`	string 或 string[]	—	参考图的公网 URL 或 Base64 Data URL。普通出图可省略，图生图最多 10 张。拆层必填，只能传一张。
`size`	string	普通出图 `2K`，拆层 `auto`	普通出图用 `1K`、`1.5K`、`2K` 或像素尺寸 `宽x高`。拆层可用三个档位或 `auto`。
`output_format`	string	`png`	`png` 或 `jpeg`。拆层时此参数控制底图格式，独立图层始终是透明 PNG。
`background`	string	`auto`	普通出图可选 `auto`、`transparent` 或 `opaque`。`auto` 根据提示词与输出格式决定是否透明。透明背景须用 PNG。拆层请求须省略此字段。
`response_format`	string	见下文	`url` 返回下载链接，`b64_json` 返回 Base64 编码的图片字节。
`watermark`	boolean	`true`	控制图片右下角的 AI 生成水印。传 `false` 关闭。
`optimize_prompt_options`	object	—	提示词优化配置。`mode` 的默认值及唯一取值为 `standard`。
`safety_identifier`	string	—	每位终端用户固定且唯一的标识，最长 64 个英文字符。可使用用户 ID 的哈希值。
`layer_decomposition`	boolean	`false`	设为 `true` 后拆分输入图。任一图层生成失败时，整个请求会报错。
`layer_decomposition_options`	object	—	仅在拆层时生效。`max_images` 是输出图片总数上限，含底图，取整数 `2`–`100`，默认 `30`。`text_recognition` 是布尔值，默认 `false`，设为 `true` 后请求富文本 OCR。

请在请求中显式填写 response_format。API Key 的图片返回格式设为「跟随请求」时，接口使用请求中的格式。若 Key 和渠道均未固定格式且请求也省略此字段，ModelSell 默认按 b64_json 处理响应。若 Key 固定了图片返回格式，Key 的设置优先。方舟直连接口默认使用 url，上游生成链接通常在 24 小时后失效，请及时保存。

该型号不支持组图、流式输出或联网搜索。调用时省略 sequential_image_generation、sequential_image_generation_options、stream 和 tools。需要控制拆层图片数时，使用 layer_decomposition_options.max_images。

图片尺寸和参考图

普通出图指定像素尺寸时，使用如 2048x1152 的写法，像素总数需在 921,600–4,624,220 之间，宽高比需在 1:16–16:1 之间。使用档位时可在提示词中描述期望比例。拆层时，底图与各图层分别保留其在原图中的宽高比。

场景	参考图要求
普通出图	最多 10 张，支持 JPEG、PNG、WebP、BMP、TIFF、GIF、HEIC、HEIF。单张总像素 196–36,000,000，宽和高均大于 14 px。
图层拆分	单张 PNG 或 JPEG，总像素 262,144–36,000,000。

参考图的宽高比为 1:16–16:1，单张至多 30 MB。使用公网 URL 时，确保上游可以访问。使用 Base64 时，传入 data:image/png;base64,BASE64_DATA 格式的字符串，媒体子类型使用小写。ModelSell 网关请求体上限为 128 MiB，大批量参考图可用 URL。

文生图并下载透明 PNG

curl --fail-with-body -sS https://api.modelsell.com/v1/images/generations \
  -H "Authorization: Bearer $MODELSELL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "dola-seedream-5-5-261028",
    "prompt": "生成一只独立的红色雨靴，主体轮廓清晰，周围完全透明",
    "size": "1K",
    "background": "transparent",
    "output_format": "png",
    "response_format": "b64_json",
    "watermark": false
  }' > transparent.json

将响应中的图片字节解码为 PNG，读取时无需去除 Data URL 前缀。

import base64
import json
from pathlib import Path

data = json.loads(Path("transparent.json").read_text())["data"][0]
Path("transparent.png").write_bytes(base64.b64decode(data["b64_json"]))

编辑参考图

把以下 JSON 发到同一个接口。将 image 换成你要编辑的图片 URL。多张参考图用数组，并在提示词中按顺序说明各张图的用途。图生透明 PNG 时，输入图可以是普通不透明图片。

{
  "model": "dola-seedream-5-5-261028",
  "prompt": "保持人物姿态与构图，在人物脸上添加圆框太阳镜",
  "image": "https://arkdocs-en.tos-ap-southeast-1.volces.com/images/image-generation/seedream-5-5-multi-round-editing-input.png",
  "size": "2K",
  "output_format": "png",
  "background": "opaque",
  "response_format": "url"
}

多轮编辑时，可把上一轮结果作为下一轮的 image，并在 prompt 中说明本轮要修改和保留的内容。

拆分图层并识别文字

使用方舟的示例海报，返回最多 15 张图片，含底图。

curl --fail-with-body -sS https://api.modelsell.com/v1/images/generations \
  -H "Authorization: Bearer $MODELSELL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "dola-seedream-5-5-261028",
    "prompt": "将海报的标题和署名拆为可独立编辑的文字图层，保留原有文字。",
    "image": "https://arkdocs-en.tos-ap-southeast-1.volces.com/images/image-generation/ocr-test2.png",
    "layer_decomposition": true,
    "layer_decomposition_options": {
      "max_images": 15,
      "text_recognition": true
    },
    "size": "auto",
    "output_format": "png",
    "response_format": "url",
    "watermark": false
  }' > layers.json

可将 response_format 改为 b64_json，让底图和各图层分别内嵌 Base64 图片。只需拆层时省略 text_recognition 或传 false。

响应字段

字段	说明
`created`、`model`	Unix 时间戳（秒）和本次调用的模型 ID。
`data[].url`、`data[].b64_json`	根据返回格式获取临时下载地址或可直接解码的 Base64 字符串。
`data[].size`、`data[].output_format`、`data[].background`	实际尺寸 `宽x高`、文件格式及透明状态 `transparent` 或 `opaque`。
`data[].z_index`	拆层时的叠放顺序。底图为 `0`，独立图层从 `1` 开始，数值越大越靠上。
`data[].name`、`data[].description`	独立图层的名称和内容描述。
`data[].bounding_box`	图层在底图坐标系中的位置。底图占据整个画布，省略该字段。
`data[].text_recognition`	开启 OCR 后，模型识别为规整文字的图层返回此对象。
`safety_identifier`	请求中传入时原样返回。
`usage.input_images`、`usage.generated_images`	输入图数量和成功输出图片数。拆层输出数含底图。
`usage.output_tokens`、`usage.total_tokens`	所有输出图片像素数相加，除以 256 后向下取整。该模型当前不计算输入 token，两字段相等。
`error.code`、`error.message`	整个请求失败时返回的错误码和说明。

bounding_box.absolute 和 bounding_box.normalized 都是 [left, top, right, bottom]。前者是从底图左上角起算的像素坐标，后者按底图宽高分别归一到 0–1000。复原图层时，将图层缩放到边界框宽高并按 z_index 升序叠放。

text_recognition.text 是图层全文，多行用换行符分隔。lines[] 逐行返回该行的 bounding_box 和 runs[]，每个片段包含 text 与 style。样式包括 similar_font_family（无法识别时为 unknown）、foreground_color（#RRGGBB）以及 bold、italic、underline、strikethrough、shadow、translucent 六个布尔字段。样式是模型估计值。在 ModelSell 的线上样本中，两行文字、粗体和斜体识别正确，其中一层可见的下划线未被标记。

以下是线上样本中一个文字图层的 data[] 元素。图片的 Base64 内容以占位符表示。

{
  "z_index": 1,
  "name": "Bold navy title text “SUNNY DAY”",
  "description": "Bold navy title text “SUNNY DAY”",
  "size": "1677x625",
  "output_format": "png",
  "background": "transparent",
  "b64_json": "BASE64_PNG_DATA",
  "bounding_box": {
    "absolute": [43, 135, 1162, 552],
    "normalized": [36, 155, 964, 634]
  },
  "text_recognition": {
    "text": "SUNNY DAY",
    "lines": [
      {
        "bounding_box": {
          "absolute": [193, 272, 1015, 434],
          "normalized": [160, 313, 842, 499]
        },
        "runs": [
          {
            "text": "SUNNY DAY",
            "style": {
              "similar_font_family": "Arial",
              "foreground_color": "#111E3E",
              "bold": true,
              "italic": false,
              "underline": false,
              "strikethrough": false,
              "shadow": false,
              "translucent": false
            }
          }
        ]
      }
    ]
  }
}