Doubao Seedream 5.5 教程

Doubao Seedream 5.5（以下简称 Seedream 5.5）支持文生图、单图生图和多参考图生图，并进一步增强多轮编辑一致性、原生 RGBA 图片生成和图层拆分能力。图层拆分时，模型最多可输出 1 张底图和 99 个图层，并可为规整文字图层返回文字内容、位置和近似视觉样式等富文本 OCR 信息。

本文重点介绍 Seedream 5.5 的特色能力。图片生成 API 的完整字段定义、取值范围和返回结构，请参见 Image generation API。

特色能力#

Seedream 5.5 的特色能力如下。

能力概述#

Seedream 5.5 在 Seedream 5.0 pro / flash 的图片生成和图层拆分能力基础上，重点增强多轮编辑一致性，并扩展 RGBA 图片生成的场景和输入范围，支持更精细的图层拆分和富文本 OCR。三款模型的主要能力区别如下：

基础使用#

Seedream 5.5 的文生图、单张图生图、多参考图生图和交互编辑调用方式与 Seedream 5.0 pro / flash 一致。调用时，将请求中的 model 设置为 Seedream 5.5 的 Model ID：doubao-seedream-5-5-261028。

通用调用步骤和代码示例请参见：

• 文生图
• 图文生图
• 多图融合
• 交互编辑

多轮编辑一致性#

Seedream 5.5 支持对同一图片进行连续编辑，并增强多轮编辑中主体特征、构图和未编辑区域的一致性。每轮编辑时，将上一轮生成结果作为输入，并通过提示词明确本轮需要修改和保持不变的内容。

以下示例连续编辑同一张人物图片，每轮以上一轮输出为输入，并保留此前的编辑结果。

代码示例仅展示第一轮请求。后续轮次可将上一轮响应中的图片 URL 作为 image，并替换 prompt。

原始输入	第一轮 添加泡泡糖	第二轮 添加太阳镜	第三轮 更改太阳镜款式	多轮编辑效果

1
2
3
4
5
6
7
8
9
10
11
12
13curl https://ark.cn-beijing.volces.com/api/v3/images/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -d '{
    "model": "doubao-seedream-5-5-261028",
    "prompt": "让人物用嘴吹出一个圆润、半透明的粉色泡泡糖泡泡。保持人物身份、面部特征、视线、发型、珍珠耳饰、服装、姿态、蓝色背景、构图和画面风格不变。",
    "image": "https://arkdocs.tos-cn-beijing.volces.com/images/image-generation/seedream-5-5-multi-round-editing-input.png",
    "size": "2K",
    "output_format": "png",
    "background": "opaque",
    "response_format": "url",
    "watermark": true
  }'

原生 RGBA 图片#

Seedream 5.5 支持通过文生图和图生图直接生成带透明通道的 RGBA 图片。与 Seedream 5.0 pro / flash 相比，Seedream 5.5 扩展了透明背景图片的生成场景和输入范围：

调用时，将 background 设置为 transparent，并将 output_format 设置为 png。

文生 RGBA 图片#

不传入 image，并在提示词中描述需要生成的主体和透明背景要求。

提示词	输出图
透明亚克力立牌，圣诞主题，矩形轮廓，四周有一圈白色细描边衬托透明基材。整体是手账拼贴风：中心是一张红绿双色黑胶唱片 + 金色边圈，唱片周围环绕立体感的橡果叶片 & 松枝圣诞花环，花环四周点缀着手绘感的红色浆果、金色四角星、驯鹿、雪花小贴纸；下方叠印一条极简白色音乐播放 UI——播放/暂停控制按钮、进度条（01:24 / 04:32）、音量图标。色调以复古红、森林绿、香槟金 + 米白为主。立牌上偶有亚克力厚度带来的高光折射，营造真实产品质感。设为透明背景。

1
2
3
4
5
6
7
8
9
10
11
12curl https://ark.cn-beijing.volces.com/api/v3/images/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -d '{
    "model": "doubao-seedream-5-5-261028",
    "prompt": "透明亚克力立牌，圣诞主题，矩形轮廓，四周有一圈白色细描边衬托透明基材。整体是手账拼贴风：中心是一张红绿双色黑胶唱片 + 金色边圈，唱片周围环绕立体感的橡果叶片 & 松枝圣诞花环，花环四周点缀着手绘感的红色浆果、金色四角星、驯鹿、雪花小贴纸；下方叠印一条极简白色音乐播放 UI——播放/暂停控制按钮、进度条（01:24 / 04:32）、音量图标。色调以复古红、森林绿、香槟金 + 米白为主。立牌上偶有亚克力厚度带来的高光折射，营造真实产品质感。设为透明背景。",
    "size": "2K",
    "output_format": "png",
    "background": "transparent",
    "response_format": "url",
    "watermark": true
  }'

图生 RGBA 图片#

通过 image 传入 1 张参考图，或最多 10 张参考图。以下示例通过数组传入两张参考图，分别提取其中的贴纸元素，并将所有贴纸放在同一张透明背景图片中。

提示词	输入图 1	输入图 2	输出图
分别提取图1和图2中的贴纸元素，将提取出的所有贴纸放在同一张透明背景图片中。保留每个贴纸原有的文字、颜色、形状和细节，去除贴纸以外的背景；各贴纸独立摆放、互不重叠，边缘清晰完整。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16curl https://ark.cn-beijing.volces.com/api/v3/images/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -d '{
    "model": "doubao-seedream-5-5-261028",
    "prompt": "分别提取图1和图2中的贴纸元素，将提取出的所有贴纸放在同一张透明背景图片中。保留每个贴纸原有的文字、颜色、形状和细节，去除贴纸以外的背景；各贴纸独立摆放、互不重叠，边缘清晰完整。",
    "image": [
      "https://arkdocs.tos-cn-beijing.volces.com/images/image-generation/ocr-test3.png",
      "https://arkdocs.tos-cn-beijing.volces.com/images/image-generation/ocr-test4.png"
    ],
    "size": "2K",
    "output_format": "png",
    "background": "transparent",
    "response_format": "url",
    "watermark": true
  }'

更精细的图层拆分#

Seedream 5.5 的图层拆分调用方式、提示词写法、图层还原方法与 Seedream 5.0 pro / flash 一致，详情请参见 图层拆分。本节仅介绍 Seedream 5.5 的升级能力。

效果示例#

以下示例要求将动物场景插画中的每只动物拆分为独立图层，动物以外的场景元素保留在底图中。请求设置 max_images: 40，本次实际返回 33 张图片，包括 1 张底图和 32 个动物图层。

为便于展示，图层总览将模型输出的 32 个独立图层拼排为一张图片，并非模型直接输出的单张图片。

输入图	输出底图	输出图层总览

查看完整输出结果

代表图层示例

以下展示本次返回的部分原始透明 PNG 图层，编号对应响应中的 z_index。

图层 1：白头海雕	图层 7：大熊猫	图层 11：斑马

图层 17：狮子	图层 24：狐狸	图层 32：青蛙

调用示例#

以下代码以上述动物场景插画为输入，展示将每只动物拆分为独立图层的调用方式。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17curl "https://ark.cn-beijing.volces.com/api/v3/images/generations" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -d '{
    "model": "doubao-seedream-5-5-261028",
    "prompt": "每只动物作为一个完整的独立图层，同种动物分别拆分；保留造型、颜色、姿态、白色描边及原位置；非动物元素统一保留在底图，并自然补全移除动物后的区域。",
    "image": "https://arkdocs.tos-cn-beijing.volces.com/images/image-generation/animal-test.jpeg",
    "layer_decomposition": true,
    "layer_decomposition_options": {
      "max_images": 40,
      "text_recognition": true
    },
    "size": "2K",
    "output_format": "png",
    "response_format": "url",
    "watermark": true
  }'

提取文字图层的内容和样式（富文本 OCR）#

Seedream 5.5 支持在图层拆分时，为规整文字图层返回富文本 OCR 结果，包括文字内容、逐行位置和近似视觉样式。这些信息可与拆分后的图层结合，供设计工具或应用实现文字修改、本地化和模板复用。文字编辑与图层合成由工具或应用完成。

效果示例#

以下示例将一张海报拆分为独立图层，并获取文字图层的 OCR 结果。请求设置 max_images: 15，实际返回 13 张图片，包括 1 张底图和 12 个图层。其中，9 个文字图层返回了 OCR 结果。

输入图	文字图层	OCR 识别结果
		文字： 第一行：Presented By : 第二行：Anna Katrina Marchesi 位置（绝对像素坐标）： 第一行：[1196, 629, 1358, 658] 第二行：[1195, 651, 1427, 681] 相似字体：两行均为 Helvetica Neue 颜色： 第一行：#193366 第二行：#46597E 粗体： 第一行：true 第二行：false

查看全部拆分结果

输出底图

返回 OCR 结果的图层

以下编号对应本次响应中的 z_index。

图层 2：日期	图层 3：标题文字“THANK YOU”	图层 5：标题文字“SO MUCH!”

图层 6：演示者	图层 8：获赠者	图层 9：邮箱

图层 10：社交媒体	图层 11：电话号码	图层 12：网站

未返回 OCR 结果的图层

图层 1：品牌标识	图层 4：建筑主体	图层 7：箭头

开启 OCR 识别#

使用 Seedream 5.5 进行图层拆分时，需配置以下参数：

• 图层拆分：将 layer_decomposition 设置为 true，开启图层拆分模式。
• 文字识别：将 layer_decomposition_options.text_recognition 设置为 true，获取规整文字图层的 OCR 结果。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17curl https://ark.cn-beijing.volces.com/api/v3/images/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -d '{
    "model": "doubao-seedream-5-5-261028",
    "prompt": "将图片中的元素拆分成独立图层",
    "image": "https://arkdocs.tos-cn-beijing.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": true
  }'

OCR 识别结果说明#

模型通过 data[].text_recognition 返回当前文字图层的 OCR 结果，包括完整纯文本，以及按文字行和样式片段组织的位置、文字和样式信息。下表说明各字段的层级及含义。

完整字段定义、坐标规则和返回结构请参见 图片生成 API。

响应层级	字段名	含义
	text_recognition	当前文字图层的富文本 OCR 结果。
	text_recognition.text	当前图层的完整纯文本，按从上到下、从左到右的顺序排列，行间以 \n 分隔。
	text_recognition.lines[]	按顺序排列的文字行列表，每个元素对应一行文字，包含位置和样式片段。
	lines[].bounding_box	文字行在输出底图坐标系中的边界框信息，包含绝对坐标 absolute 和归一化坐标 normalized。用于将文字还原至底图或目标画布中的边界框区域。坐标换算方法参见 还原与重组图层。
	bounding_box.absolute	文字行边界框在输出底图坐标系中的绝对像素坐标，格式为 [left, top, right, bottom]。输出底图左上角为 (0, 0)，可用于还原文字行在底图中的位置。
	bounding_box.normalized	文字行边界框按输出底图宽高换算至 [0, 1000] 区间的归一化整数坐标，格式为 [left, top, right, bottom]，可用于换算文字行在目标画布中的位置。
	lines[].runs[]	当前文字行的样式片段列表，每个片段内的样式一致。整行样式一致时仅包含一个片段；字体、颜色、粗体等样式变化时，包含多个片段。
	runs[].text	当前片段的文字内容，不包含换行符，可用于定位和替换文案。
	runs[].style	当前文字片段的近似视觉样式，包含以下 8 个字段。样式由模型自动识别，可能与原始设计文件中的精确属性存在偏差。
	style.similar_font_family	模型根据文字外观匹配出的最相似字体名称，不保证与原字体完全一致。无法识别或置信度不足时返回 unknown。
	style.foreground_color	当前文字片段的颜色，使用大写十六进制 #RRGGBB 格式，不包含 Alpha（透明度）通道。
	style.bold	是否识别到当前文字片段使用粗体样式。
	style.italic	是否识别到当前文字片段使用斜体样式。仅字形本身向右倾斜时返回 true；图层整体旋转或透视倾斜不视为斜体。
	style.underline	是否识别到当前文字片段带有文字下划线。独立的分割线、表格线或装饰横线不视为下划线。
	style.strikethrough	是否识别到当前文字片段带有删除线。
	style.shadow	是否识别到当前文字片段带有明显的外投影、阴影或发光偏移。文字边缘的常规抗锯齿过渡不视为阴影。
	style.translucent	是否识别到文字墨迹本身明显半透明，并能透出下方背景纹理或底色。实心的浅灰色、浅蓝色等浅色文字不视为半透明。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56{
  "size": "1166x899",
  "z_index": 6,
  "bounding_box": {
    "absolute": [1142, 528, 1474, 784],
    "normalized": [643, 529, 830, 786]
  },
  "text_recognition": {
    "text": "Presented By : \nAnna Katrina Marchesi",
    "lines": [
      {
        "bounding_box": {
          "absolute": [1196, 629, 1358, 658],
          "normalized": [673, 630, 765, 659]
        },
        "runs": [
          {
            "text": "Presented By : ",
            "style": {
              "similar_font_family": "Helvetica Neue",
              "foreground_color": "#193366",
              "bold": true,
              "italic": false,
              "underline": false,
              "strikethrough": false,
              "shadow": false,
              "translucent": false
            }
          }
        ]
      },
      {
        "bounding_box": {
          "absolute": [1195, 651, 1427, 681],
          "normalized": [673, 652, 803, 682]
        },
        "runs": [
          {
            "text": "Anna Katrina Marchesi",
            "style": {
              "similar_font_family": "Helvetica Neue",
              "foreground_color": "#46597E",
              "bold": false,
              "italic": false,
              "underline": false,
              "strikethrough": false,
              "shadow": false,
              "translucent": false
            }
          }
        ]
      }
    ]
  },
  "background": "transparent"
}

使用限制#

• 识别范围：仅规整文字图层返回 OCR 结果,支持字体范围详见 Seedream 5.5 OCR 支持字体。底图、非文字图层，以及艺术字、手写体等非规整文字图层不返回 text_recognition。
• 字体识别：模型通过 similar_font_family 返回相似字体，不保证与原字体完全一致。无法识别或置信度不足时返回 unknown。
• 样式识别：样式信息为近似识别结果，可能与原始设计属性存在偏差。布尔字段为 false 表示模型未识别到对应样式。

自定义图片输出规格#

您可以配置以下参数来控制图片输出规格：

• size：指定输出图片的尺寸。
• response_format：指定生成图片的返回方式。
• output_format：指定图片文件格式；图层拆分场景下，仅控制底图的文件格式。
• background：仅适用于图片生成场景，控制是否生成带透明通道的图片。
• watermark：指定是否为输出图片添加水印。

图片输出尺寸#

size 参数在图片生成场景和图层拆分场景下的可选值与默认值不同，请根据实际场景选择。

1
2
3
4{
  "prompt": "生成一张 16:9 的图片",
  "size": "2K"
}

1
2
3
4{
  "prompt": "生成一张图片",
  "size": "2880x1440"
}

图片返回方式#

设置 response_format 参数，可以指定生成图片的返回方式：

• url（默认值）：返回图片下载链接。链接在图片生成后 24 小时内有效，请及时下载或转存。
• b64_json：通过响应中的 b64_json 字段返回 Base64 编码的图片数据。

图片文件格式#

设置 output_format 参数，指定生成图片的文件格式：

• png（默认值）
• jpeg

图片背景类型#

设置 background 参数，控制生成图片是否包含透明通道。

• auto（默认值）：模型根据提示词和 output_format 自动判断背景类型。若 output_format 为 jpeg，输出图片不含透明通道。
• transparent：输出带透明通道的图片（RGBA 图）。
• opaque：输出不含透明通道的图片（RGB 图）。

图片中添加水印#

设置 watermark 参数，控制是否在生成的图片中添加水印。

默认值：true。

• false：不添加水印。
• true：在图片右下角添加“AI 生成”字样的水印标识。

使用限制#

SDK 版本升级

为保证模型功能正常使用，请务必升级至最新 SDK 版本。相关步骤请参见 安装及升级 SDK。

图片传入限制

图片传入方式（两种场景通用）：

• 图片 URL：请确保图片 URL 可被访问。

  示例：https://arkdocs.tos-cn-beijing.volces.com/images/image-generation/seedream-5-5-transparent-input.png

• Base64 编码：请遵循格式 data:image/<图片格式>;base64,<Base64 编码>。注意：<图片格式> 必须采用小写字母，例如 data:image/png;base64,<base64_image>。

不同场景对输入图片的约束不同，详见下表：

保存时间

图片 URL 仅保留 24 小时，超时后会被自动清除。请及时保存生成的图片。

限流说明

• IPM 限流：账号下同模型（区分模型版本）每分钟生成图片数量上限。若超过该限制，生成图片时会报错。
  • 图层拆分场景下，每次请求按 max_images 的值预扣减 IPM；图片全部生成后，按实际生成数量返还多扣减的额度。
• 不同模型的限制值不同，详见 图片生成能力。