Type
Spéc.
Tarif
Puissance jusqu’à 2,61 MP
par image
$0.0332
Puissance supérieure à 2,61 MP
par image
$0.0581
Image d’entrée
par image d’entrée
$0.0133
Seedream 5.5 et Seedream 5.0 Pro côte à côte : caractéristiques, capacités, paramètres et tarifs en direct du catalogue EmpirioLabs.
ByteDance Génération d’imagesSeedream 5.5 et Seedream 5.0 Pro sont deux modèles ByteDance de la catégorie Génération d’images, disponibles via l'API EmpirioLabs.
| Spéc. | Seedream 5.5 | Seedream 5.0 Pro |
|---|---|---|
| ID du modèle | seedream-5-5 | seedream-5-0-pro |
| Auteur | ByteDance | ByteDance |
| Publié | 9 nov. 2026 | 8 juil. 2026 |
| Entrée | Texte Image | Texte Image |
| Sortie | Image | Image |
| Région | Malaysia | Malaysia |
| Endpoints | POST /v1/images/generations | POST /v1/images/generations |
| Capacités |
Tarifs en direct du catalogue EmpirioLabs pour les deux modèles. Chaque grille tarifaire correspond toujours à ce que l'API facture.
Paramètres de requête indiqués pour chaque modèle sur EmpirioLabs, avec les valeurs autorisées ou la plage le cas échéant. Un tiret signale un paramètre que le modèle n'indique pas.
| Paramètre | Seedream 5.5 | Seedream 5.0 Pro |
|---|---|---|
| prompt | string | string |
| image | array | array |
| images | array | array |
| aspect_ratio | auto, 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 Par défaut: auto | auto, 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 Par défaut: auto |
| layer_decomposition | boolean Par défaut: false | boolean Par défaut: false |
| max_images | 2 à 100 Par défaut: 30 | - |
| text_recognition | boolean Par défaut: false | - |
| quality | 1K, 1.5K, 2K Par défaut: 2K | 1K, 1.5K, 2K Par défaut: 2K |
| size | string | string |
| use_custom_size | boolean Par défaut: false | boolean Par défaut: false |
| custom_width | 15 à 8600 | 15 à 8600 |
| custom_height | 15 à 8600 | 15 à 8600 |
| watermark | boolean Par défaut: false | boolean Par défaut: false |
| output_format | jpeg, png Par défaut: png | jpeg, png Par défaut: png |
| background | auto, transparent, opaque Par défaut: auto | opaque, transparent Par défaut: opaque |
| response_format | url, b64_json Par défaut: url | url, b64_json Par défaut: url |
Marquez la région à modifier directement sur l’image d’entrée avec un croquis, un cercle ou une flèche, puis décrivez-la dans la demande. Pour un placement exact, utilisez des balises de coordonnées sur une grille normalisée de 0 à 1000:
Place the subject from image 1 <bbox>179 283 796 986</bbox> at the position in image 2 <bbox>118 331 933 871</bbox>.Régler layer_decomposition sur true avec exactement une image d’entrée pour la diviser en une image de base plus jusqu’à 99 calques PNG transparents. max_images règle le plus d’images retournées, l’image de base incluse, de 2 à 100, et par défaut à 30; une valeur plus élevée permet une décomposition plus fine. Chaque image retournée porte son ordre d’empilement en z_index, et chaque couche affiche également sa position dans l’image de base comme bounding_box.absolue et bounding_box.normalisée, ainsi qu’un nom et une description. Mettez chaque calque à l’échelle de sa boîte lors du réassemblage de l’image. Laissez l’invite vide pour laisser le modèle choisir les éléments, ou nommer les éléments ou régions de coordonnées à séparer. La résolution accepte 1K, 1,5K ou 2K, et correspond à l’image d’entrée lorsqu’elle n’est pas définie.
Avec text_recognition activé, chaque calque de texte régulier renvoie également text_recognition: son texte complet, la position de chaque ligne, et le style de chaque série de texte (une police similaire, couleur, gras, italique, soulign, rayure, ombre et translucidité). Le texte artistique et l’écriture manuscrite ne sont pas reconnus.
Le fond est par défaut en auto, ce qui permet au modèle de décider à partir du format d’invite et de sortie. Le transparent renvoie une image avec un canal alpha, uniquement à partir du texte ou jusqu’à 10 images de référence qui n’ont pas besoin de canal alpha, et nécessite une sortie PNG. L’opacité renvoie une image sans canal PNG. Chaque image retournée rapporte sa transparence réelle comme arrière-plan. La décomposition des couches ne prend pas d’arrière-plan, et ses calques sont toujours du PNG transparent.
Chaque image retournée facture à sa propre taille: jusqu’à 2,61 MP, ce qui couvre 1K et 1,5K, ou plus de 2,61 MP, qui couvre 2K. Chaque image d’entrée facture, y compris celle de la décomposition des couches. La décomposition des couches facture chaque image retournée, l’image de base et chaque couche, à sa propre taille.
Les images générées passent un contrôle automatisé de sécurité du contenu. Une image signalée comme explicite n’est pas retournée. Comme l’image est générée avant l’exécution du contrôle, une génération signalée est toujours facturée.
Marquez la région à modifier directement sur l’image d’entrée avec un croquis, un cercle ou une flèche, puis décrivez-la dans la demande. Pour un placement exact, utilisez des balises de coordonnées sur une grille normalisée de 0 à 1000:
Place the subject from image 1 <bbox>179 283 796 986</bbox> at the position in image 2 <bbox>118 331 933 871</bbox>.Réglez layer_decomposition sur true avec exactement une image d’entrée pour la diviser en une image de base plus jusqu’à 16 couches PNG transparentes. Chaque image retournée porte son ordre d’empilement en z_index, et chaque couche porte également sa position dans l’image de base en bounding_box.absolue et bounding_box.normalisée, plus un nom et une description. Laissez l’invite vide pour laisser le modèle choisir les éléments, ou nommer les éléments ou régions de coordonnées à séparer. La résolution accepte 1K, 1,5K ou 2K, et correspond à l’image d’entrée lorsqu’elle est non définie.
La décomposition des calques facture chaque image retournée, l’image de base et chaque couche, à la moitié du débit standard par image, en phase selon le nombre de pixels de cette image.
Les images générées passent un contrôle automatisé de sécurité du contenu. Une image signalée comme explicite n’est pas retournée. Comme l’image est générée avant l’exécution du contrôle, une génération signalée est toujours facturée.
Seedream 5.5 fonctionne via POST /v1/images/generations. La requête renvoie immédiatement un job_id ; interrogez GET /v1/jobs/{job_id} jusqu'à la fin du job et lisez les URLs de sortie dans le résultat. Ou ajoutez "sync": true pour éviter le polling : la requête reste ouverte et renvoie directement la réponse image au format OpenAI, donc les SDKs OpenAI fonctionnent tels quels. Les deux modèles s'appellent via le même endpoint. Définissez model sur seedream-5-5 ou seedream-5-0-pro. Obtenez une clé API depuis le tableau de bord EmpirioLabs.
curl https://api.empiriolabs.ai/v1/images/generations \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "seedream-5-5",
"prompt": "Describe what you want Seedream 5.5 to generate."
}'Tests de prompts et comparaisons qui couvrent les deux modèles.
Seedream 5.5 est la version la plus récente (9 nov. 2026) ; Seedream 5.0 Pro est sorti le 8 juil. 2026. Seedream 5.5 affiche le tarif le plus bas pour Puissance jusqu’à 2,61 MP (par image) et Puissance supérieure à 2,61 MP (par image). Les caractéristiques, les grilles tarifaires et les paramètres de cette page proviennent du catalogue EmpirioLabs en direct.
Seedream 5.5 est la version la plus récente (9 nov. 2026) ; Seedream 5.0 Pro est sorti le 8 juil. 2026.
Seedream 5.5 affiche le tarif le plus bas pour Puissance jusqu’à 2,61 MP (par image) et Puissance supérieure à 2,61 MP (par image). Les deux grilles tarifaires en direct sont sur cette page et correspondent toujours à ce que l'API facture.
Oui. Les deux modèles utilisent POST /v1/images/generations avec la même clé API EmpirioLabs : la plupart des intégrations basculent en changeant la valeur model. Vérifiez d'abord le tableau des paramètres de cette page si vous dépendez d'un paramètre propre à un modèle.
Oui. Ouvrez chaque modèle dans le playground EmpirioLabs et lancez le même prompt sur les deux, avec les paramètres exposés par l'API.
Consultez nos tarifs ou contactez-nous si vous souhaitez que votre propre modèle soit déployé sur notre stack.
