ChatGPT 虚拟试穿：电商模特上身图实战教程

这篇能做出什么

跑完这套流程，可以得到一批这样的图：一位固定模特，穿着若干件商品服装，姿势、光线、背景统一，看上去像同一次拍摄的产物。用途包括详情页上身图、站内主图补充、社媒种草图、上新预览。

具体产出形态举例：

• 一个模特 × 一件上衣 × 三个场景（纯色棚拍、街拍、室内咖啡桌旁）= 三张图
• 一个模特 × 二十个 SKU × 一个场景 = 二十张图，用于快速比稿和选款
• 同一件衣服换三个不同模特，测试不同人群的代入感

能力边界需要提前说清楚，避免验收时扯皮：

• 服装的颜色、大致版型、领口袖长这类大结构，通常能对上；细密印花、刺绣纹理、纽扣刻字、小面积 logo 容易走样。
• 模特的脸部相似度会随要求变高而下降，越是强调"完全一致的本人"，越容易得到僵硬或失真的结果。
• 生成图的服装颜色与实物可能存在色差，用于线上销售时，色差说明和 AI 标注要按平台规则处理。

一句话定位：这套流程适合做选款、测款、补充素材、临时档期救急，替代不了核心主图的正式拍摄。

前置条件清单

动手前把下面几项准备好，后面会顺很多。

1. 一个可用的 ChatGPT 账号，且当前账号能使用图像生成与图像编辑功能。具体入口、额度与可用范围以官方页面为准。

2. 模特素材：

• 一张或多张正面或四分之三侧面的半身/全身照
• 光线均匀、背景干净、无遮挡、无夸张姿势
• 分辨率尽量高，脸部清晰
• 有肖像授权，或使用自有的人像素材

3. 服装素材：

• 白底或浅底平铺图，完整不裁切
• 同一件衣服的正反面各一张，有细节图更好（领口、袖口、印花局部）
• 颜色接近实物，不要用加了强滤镜的图

4. 输出规格的约定：主图常用 1:1，详情页常用 3:4 或 4:5，社媒常用 9:16。先定好，避免后期反复裁切。

5. 一套文件命名与目录规范（下一步就给）。

6. 合规准备：模特肖像授权文件、平台对 AI 生成内容标注的要求、广告法相关的表述规范。

分步骤

步骤 1：建目录与命名规范

先把素材管好。命名乱，批量出图时必然对不上号。

```bash

mkdir -p tryon/models tryon/garments tryon/prompts tryon/output tryon/review tryon/logs

```

命名建议：

```text

tryon/models/model_001_front.jpg

tryon/models/model_001_side.jpg

tryon/garments/SKU001_front.jpg

tryon/garments/SKU001_back.jpg

tryon/output/SKU001_model001_scene-plain.png

tryon/output/SKU001_model001_scene-street.png

```

规则是 SKU + 模特编号 + 场景，中间用下划线连接。这样任何一张出图都能反查到用了哪张模特图和哪件商品图。

步骤 2：跑通单张试穿

不要在没跑通一张的情况下就上批量。先拿一组素材，在对话窗口里点附件按钮，把模特图和服装图一起传上去，然后写提示词。

提示词的骨架是四段：谁是谁、保留什么、改变什么、输出规格。示例如下：

```text

图 1 是模特照片，图 2 是服装商品图。

任务：让图 1 中的模特穿上图 2 中的这件服装。

必须保持不变：

• 模特的脸部特征、发型、肤色、体型比例
• 原图的姿势、镜头高度和角度
• 自然的身体轮廓，不要过度修瘦

服装要求：

• 颜色与图 2 一致
• 版型、领口形状、袖长、下摆长度与图 2 一致
• 面料质感参考图 2，呈现自然的褶皱和垂坠

输出要求：

• 全身竖构图
• 纯浅灰背景，柔和均匀的影棚布光
• 画面中不要出现任何文字、水印、logo 标签
• 不要多余的手指、不要扭曲的肢体

```

第一次生成后，对照服装原图逐项检查：颜色、领口、袖子、长度、图案。把不对的地方记下来，进入下一步迭代。

步骤 3：控制姿势与场景

姿势和场景是虚拟试穿里提升效率的关键，因为同一件衣服配不同场景，就能撑起多个渠道的素材。

换背景，用一句话追加即可：

```text

保持人物和服装完全不动，只替换背景为：城市街道，白天自然光，背景轻微虚化，画面下三分之一是人行道。

```

换姿势，建议一次只改一个部位，改多了容易整体崩：

```text

保持服装和场景不变，让模特双臂自然下垂放在身体两侧，正面朝向镜头，表情放松。

```

做多角度，可以这样组织：

```text

基于当前结果，生成同一套服装的另外两个角度：

A. 侧面 45 度，展示衣服的侧面轮廓和袖子垂感

B. 背部视角，展示后背设计和整体版型

两张图都保持相同的场景、光线和模特特征。

```

场景词库可以先攒起来复用，例如：纯白棚拍、浅灰棚拍、原木色室内、咖啡桌旁、城市街道、玻璃幕墙前、草地公园、落地窗前逆光。每个场景配一句固定的光线描述，这样跨 SKU 的一致性会好很多。

步骤 4：迭代修正的正确方式

生成结果不理想是常态，问题往往出在反馈方式上。

• 颜色不对：不要只说"颜色不对"，直接描述，例如"这件衣服是低饱和的雾霾蓝，不是亮蓝色"。
• 版型不对：把图 2 重新上传一次，并明确指出"以图 2 的领口形状为准，这是圆领不是 V 领"。
• 细节丢失：补传细节图，并说明"袖口有一道同色系明线，请保留"。
• 手部或手指异常：明确要求"双手自然放松，不要出现多余手指"。
• 画面出现文字水印：直接要求"移除画面中所有文字和标签，只保留模特和服装"。

每次只改一个变量，并把满意的一版留在对话里作为参考，避免越改越偏。同时把提示词存进 tryon/prompts/，例如 prompts/tryon_basic.txt、prompts/scene_street.txt，下次直接复用。

步骤 5：批量出图

网页端适合跑通和调优，批量则有两种做法。

做法一，网页端流水线：把提示词模板固定下来，每个 SKU 只替换附件，按 SKU001 → SKU002 → ... 的顺序推进，每完成一个就在日志里记一行。二十个 SKU 以内这样操作是可行的。

做法二，接口批量：如果账号可用的接口支持图像编辑，可以写脚本循环调用。下面是一段结构示意，具体模型名、参数字段、尺寸取值以官方文档当前版本为准。

```python

结构示意：接口名与参数以官方文档当前版本为准

import base64

import csv

import pathlib

from openai import OpenAI

client = OpenAI()

PROMPT = pathlib.Path("tryon/prompts/tryon_basic.txt").read_text(encoding="utf-8")

def tryon(model_path, garment_path, out_path, size=None):

with open(model_path, "rb") as m, open(garment_path, "rb") as g:

resp = client.images.edit(

model="MODEL_NAME", # 以官方文档当前版本为准

image=[m, g],

prompt=PROMPT,

size=size, # 以官方文档当前版本为准

)

pathlib.Path(out_path).write_bytes(base64.b64decode(resp.data[0].b64_json))

rows = list(csv.DictReader(open("tryon/tasks.csv", encoding="utf-8")))

for r in rows:

out = f"tryon/output/{r['sku']}_{r['model']}_{r['scene']}.png"

tryon(f"tryon/models/{r['model']}.jpg",

f"tryon/garments/{r['sku']}_front.jpg",

out)

print("done", out)

```

任务清单用 CSV 维护，改起来比改代码方便：

```csv

sku,model,scene

SKU001,model_001_front,plain

SKU002,model_001_front,plain

SKU003,model_001_front,street

```

批量跑之前，先用两个 SKU 试跑，确认输出尺寸、命名、耗时都符合预期，再放开全量。

步骤 6：筛选与质检

批量出图后，逐张细看会消耗大量时间。先用拼版图快速过一遍。

```bash

ImageMagick 7

magick montage tryon/output/SKU0*.png -tile 5x -geometry 320x+8+8 -background white tryon/review/sheet_01.jpg

ImageMagick 6

montage tryon/output/SKU0*.png -tile 5x -geometry 320x+8+8 -background white tryon/review/sheet_01.jpg

```

一屏看几十张，快速打三档标签：

• 通过：可直接使用或轻微调色后使用
• 返工：结构基本对，某个局部有问题，值得重跑
• 弃用：服装款式已经完全走样，重跑成本高于价值

质检清单建议固定成一张表，每张图逐项打勾：

1. 脸部是否变形、是否还像同一个人

2. 手指数量与关节是否正常

3. 服装颜色与实物是否接近

4. 领口、袖长、下摆长度是否正确

5. 图案、印花、logo 是否可辨认、是否走样

6. 背景有无多余物体、有无文字水印

7. 身体比例是否自然

8. 输出尺寸与构图是否符合渠道要求

返工的图，把问题描述连同上一版结果一起提交，通常一次能修好。同一张图反复两三次仍不理想的，换成补拍或后期合成更划算。

步骤 7：入库与合规

出图通过质检后，做三件事：按渠道尺寸导出、写回素材库、补标注。

• 记录来源：每张成品图关联到 SKU、模特编号、提示词版本。
• 标注 AI 生成：按平台和地区的要求，在商品页或素材属性中说明图片来源。
• 保留原始素材和授权文件，便于后续核查。
• 避免用 AI 图夸大实际效果，例如把普通面料呈现成完全不同的质感。

常见坑与排错

另外几件事值得单独提醒：

• 模特图质量决定上限。光线乱、背景杂、姿势夸张的素材，生成结果很难稳定。
• 服装图裁切不完整时，模型会自行脑补缺失部分，结果不可控。
• 同一件衣服用不同模特图跑，颜色和版型可能略有差异，跨批次出图要留出人工复核。
• 平台对 AI 生成内容的标注要求会更新，上架前确认一遍当前规则。

下一步建议

1. 沉淀模板库。把提示词拆成"人物一致性""服装还原""场景""输出规格"四个片段，按需组合，减少重复试错。

2. 补素材侧的建设。安排一次专门的模特棚拍，产出多角度、多姿势、多表情的标准素材，后续所有虚拟试穿都从这里取图。

3. 建对照实验。同一件商品，分别用虚拟试穿图和实拍图做详情页，观察点击与转化差异，用数据决定这套流程在哪些品类上值得长期投入。

4. 关注专用试穿方案。通用图像生成模型之外，还有一类专门做虚拟试穿的方向，在服装还原度上各有取舍，可以拿同一组素材做横向对比。

5. 把流程文档化。谁上传素材、谁跑图、谁质检、谁标注，写成一张流程图，让这套方法不依赖某一个人的手感。