OpenAI Images 2.6: nu sneller, met ondersteuning voor GIF’s

Tot vorige week betekende een bewegend beeld uit ChatGPT krijgen: om een sprite sheet vragen, downloaden en de frames zelf in een andere tool aan elkaar zetten. Dat deed ik vaker dan ik wil toegeven. 

Op 4 november bracht OpenAI Images 2.6 uit, en nu typ je "make a gif of a cat dancing" en krijg je een loopende GIF terug.

GIF’s zijn de kop, maar niet de hele release. OpenAI zegt dat afbeeldingen nu 50% sneller genereren, edits beter vasthouden aan personages en producten, en dat de API in twee modellen is opgesplitst met verschillende taken. 

In dit artikel behandel ik wat Images 2.6 is, wat er veranderd is en hoe je een GIF maakt in zowel ChatGPT als met de API. 

Wat is er nieuw in OpenAI Images 2.6?

OpenAI Images 2.6 is OpenAI’s image-update van 4 november 2026 voor ChatGPT, Codex en de API. De belangrijkste wijzigingen:

• Geanimeerde GIF’s: Maak van een prompt, foto of schets een korte, lusvormige GIF, pas daarna de snelheid aan of bewerk losse frames.

• Snellere generatie: OpenAI claimt dat afbeeldingen 50% sneller genereren dan Images 2.5.

• Stabielere edits: Personages, producten en merkdetails wijken minder af over meerdere edit-rondes.

• Twee API-modellen: Gebruik gpt-image-2.6-flare voor snelheid en gpt-image-2.6-sunburst voor detail.

• Kleinere toevoegingen: Exporteer afbeeldingen in SVG, doe markup-gestuurde edits in de API, verwijs naar opgeslagen afbeeldingen en gebruik de complexity-parameter.

Het is beschikbaar op elk ChatGPT-abonnement, ook Free, al wordt GIF-creatie geleidelijk naar accounts uitgerold.

Wat is OpenAI Images 2.6?

OpenAI Images 2.6 is de release voor het genereren en bewerken van afbeeldingen die OpenAI op 4 november 2026 uitbracht. Het is beschikbaar als de image-tool binnen ChatGPT en Codex en als twee aparte modellen in de OpenAI API.

In ChatGPT kun je niet zelf een model kiezen of wisselen tussen de modellen Flare en Sunburst; je typt gewoon een verzoek en het genereert een GIF. Met de API kun je echter kiezen tussen twee modellen op naam, en instellingen zoals quality en complexity zelf regelen.

Beide API-modellen kosten hetzelfde per token, en die tarieven komen overeen met de Images 2.5-modellen. De keuze tussen Flare en Sunburst komt dus neer op snelheid versus detail, niet op prijs. De kosten per afbeelding variëren nog steeds, omdat hogere kwaliteitsinstellingen meer outputtokens gebruiken.

Stel, een koffiemerk wil een korte, loopende GIF van zijn mascotte, een cartoonkopje koffie, dat hallo zwaait.

• In ChatGPT (een marketeer): Ze typt “Maak een loopende GIF van onze koffiekop-mascotte die hallo zwaait.” ChatGPT kiest het model en maakt de GIF. Als die te traag is, typt ze “maak ’m sneller” in de chat. Ze wijzigt geen instellingen en betaalt niets extra’s buiten haar ChatGPT-abonnement.

• Met de API (een developer): Hij voegt een “Maak een GIF”-knop toe aan de app van het merk en schrijft de code zelf. Hij kiest gpt-image-2.6-flare omdat dat het snellere model is, zet output_format: "gif", en kiest het aantal frames en de kwaliteit. Elke GIF wordt afgerekend op tokens, dus hogere kwaliteit kost meer per afbeelding.

Wat is er nieuw in OpenAI Images 2.6?

Images 2.6 voegt geanimeerde GIF’s toe, snellere generatie, stabielere multi-ronde edits en betere lay-outs voor professionele visuals. 

Is OpenAI Images 2.6 echt sneller?

OpenAI zegt dat Images 2.6 afbeeldingen 50% sneller genereert dan Images 2.5, en dat gpt-image-2.6-flare een low-quality afbeelding in slechts zes seconden kan teruggeven. Dat is een stevige claim, en de aankondiging legt niet uit hoe er gemeten is. Dus heb ik het zelf getest.

Ik gaf Flare en Sunburst dezelfde prompt, “Een keramische koffiemok op een houten bureau, ochtendlicht, productfoto,” op 1024x1024 met complexity op low. Flare draaide op zowel low als medium quality, omdat low de instelling is achter OpenAI’s zes-seconden-claim, en Sunburst draaide op medium. 

Elke setup draaide vijf keer en ik nam de mediaan, omdat één trage respons een gemiddelde kan vertekenen. Daarna herhaalde ik de hele test, want de netwerksnelheid varieert per run en ik wilde niet dat één gelukkige (of ongelukkige) middag de uitslag bepaalde.

Als je mijn cijfers wilt checken met de jouwe, hier is het script dat ik draaide in Google Colab:

import statistics
import time

from openai import OpenAI

# Reads OPENAI_API_KEY from your environment
client = OpenAI()
prompt = "A ceramic coffee mug on a wooden desk, morning light, product photo."

# Each setup: (model, quality)
setups = [
    ("gpt-image-2.6-flare", "low"),
    ("gpt-image-2.6-flare", "medium"),
    ("gpt-image-2.6-sunburst", "medium"),
]

for model, quality in setups:
    times = []
    for _ in range(5):
        start = time.perf_counter()
        client.images.generate(
            model=model,
            prompt=prompt,
            size="1024x1024",
            quality=quality,
            extra_body={"complexity": "low"},  # skip extra planning for a simple scene
        )
        times.append(time.perf_counter() - start)
    # The median ignores one unusually slow or fast request
    print(model, quality, round(statistics.median(times), 1), "s")
Mogelijk gemaakt door

Dit is wat ik kreeg:

Flare kwam nooit onder OpenAI’s zes seconden; mijn beste mediaan was 6,9. Dat is niet helemaal een gebroken belofte, want “as little as” beschrijft het beste geval, niet het typische. In de tweede run draaiden low en medium om, waarbij Flare op medium sneller klaar was dan op low. 

Op dit formaat maakt de kwaliteitsinstelling nauwelijks verschil voor de snelheid van Flare, en netwerkruis is groter dan het verschil.

Sunburst is de trage, en dat bleef zo: 14,5 en 15,8 seconden, ongeveer twee keer zo lang als Flare.

Weet je nog de complexity-instelling van eerder? 

Die bepaalt hoeveel het model plant vóór het renderen, en staat standaard op high. OpenAI’s zes-seconden-cijfer gaat vrijwel zeker uit van low, daarom testte ik het zo. Laat je het unset, dan betaal je voor plantijd bij een mokfoto die dat niet nodig heeft.

Sneller betekent niet goedkoper. Een low-quality 1024x1024-afbeelding gebruikt 823 outputtokens in 2.6 versus 196 in 2.5. De prijs per token veranderde niet, dus bij $30 per 1M outputtokens is dat grofweg $0,025 per afbeelding in plaats van $0,006. Klein per afbeelding, niet klein over 10.000 stuks.

Hoeveel consistenter is beeldbewerking?

Volgens OpenAI houdt Images 2.6 meer van een afbeelding ongemoeid wanneer je één deel bewerkt, zeker over meerdere rondes. Sunburst is het aanbevolen model hiervoor, omdat het op medium of high quality details stabieler houdt van de ene edit naar de andere.

Dit is wat “consistent” in de praktijk dekt:

Om dit te testen, generate ik een parfumfles met gpt-image-2.6-sunburst op medium quality en veranderde daarna alleen drie keer de achtergrond: een strand, een nachtelijke hemel en een keukenschap. 

Elke edit startte vanaf het vorige resultaat, niet het origineel, zodat eventuele drift zich zou opstapelen. Elke editprompt eindigde hetzelfde: “Houd de fles, het label, de dop en de belichting op de fles exact hetzelfde.”

Hier staat het origineel naast de derde edit:

Het origineel: een groene fles met een gouden dop op een marmeren blad. Afbeelding door auteur.

Na drie rondes kwam de fles er bijna onaangeroerd doorheen. Op het label staat nog steeds “MOSS No. 3” in hetzelfde schreeflettertype met gouden rand, en de dop, de vierkante vorm en zelfs het dunne buisje in het glas komen overeen met het origineel.

Wat wel veranderde, was alles eromheen:

• De achtergrond droeg over: Ik vroeg in ronde 2 om een nachtelijke hemel en kreeg het strand uit ronde 1 bij nacht, inclusief palmboom. Omdat elke edit voortbouwt op de vorige afbeelding, beschouwde Sunburst het strand als iets om te behouden, en pas de keuken in ronde 3 veegde het weg. Het marmeren blad overleefde alle drie edits ook, wat ik niet gevraagd had. Logisch; daarop staat de fles.
• Belichting bleef precies zoals ik vroeg, en dat was het probleem: Sunburst nam mijn prompt letterlijk, dus de fles is belicht als een zonnige middag onder een volle maan, met in elke scène dezelfde harde schaduw, waardoor hij ingeplakt oogt.

Voor productshots is dit wel de consistentie waar mensen om vragen. Zeg alleen niet dat de belichting gelijk moet blijven als het licht in de scène zou moeten veranderen.

Zijn professionele visuals zoals posters beter?

Voor lay-outwerk zoals posters en productafbeeldingen promoot OpenAI Flare, niet Sunburst. Flare zou tekst, beelden en spatiëring doelgerichter plaatsen, terwijl Sunburst bedoeld is voor fijne details en consistentie. 

Dat verraste me een beetje. Je zou verwachten dat het snellere model slordiger is, dus zette ik ze allebei op een poster om te zien.

Ik gaf beide modellen dezelfde prompt op medium quality en een portretformaat van 1024x1536: “Een poster voor een zaterdagse boerenmarkt. Titel: ‘Riverside Market’. Ondertitel: ‘Elke zaterdag, 8.00 tot 13.00 uur’. Geïllustreerde groenten onderaan, strak schreefloos lettertype.”

Zie de resultaten hieronder: Flare links, Sunburst rechts:

Vergelijking van Flare en Sunburst-poster. Afbeelding door auteur.

Elk woord kwam goed uit op beide, wat ik van geen van beide verwachtte. Ze lazen “Riverside” ook letterlijk en schilderden een rivier met een brug achter de groenten, terwijl ik daar nooit om vroeg.

Het verschil zit in hoeveel elk model toevoegt: 

• Flare hield het simpel met een enorme titel, de ondertitel in een groene pill en dan groenten. Dat lees je van aan de overkant van de straat. 

Sunburst bouwde een hele scène, met kraampjes, zonnebloemen, een boom en een gele lintbanner, en het oogt meer als een afgewerkte illustratie.

Sunburst deed er drie keer zo lang over. Voor een poster, waar mensen de titel moeten lezen en doorlopen, zou ik voor Flare’s versie gaan.

Wat kun je met geanimeerde GIF-generatie?

Images 2.6 maakt van een tekstprompt, een geüploade foto of een ruwe schets een korte, loopende GIF. In ChatGPT kun je daarna de afspeelsnelheid aanpassen en losse frames bewerken zonder de chat te verlaten. Voor deze release kon ChatGPT geen GIF in één stap maken.

Waar het goed voor is:

• Geanimeerde personages: Een mascotte of krabbel die zwaait, knippert of springt.
• Reaction GIF’s en social content: Korte loops voor posts en reacties.
• Productanimaties: Een stilstaand productshot wordt een loop die opvalt in een feed.
• Storyboards: Testen hoe een personage beweegt vóór je betaalt voor videoproductie. OpenAI was duidelijk dit is geen videogenerator; een GIF is een paar herhalende frames, geen clip.

Je hebt ook geen afgewerkt ontwerp nodig. Teken een ruwe figuur, upload ’m en vraag om te zwaaien. Ik doorloop die hele workflow in de volgende sectie.

Wat is er verder veranderd?

Een paar kleinere updates, verdeeld tussen de API en ChatGPT:

• SVG-export (alleen API): Zet output_format: "svg" aan voor vectorbestanden voor websites, apps of print.
• De complexity-parameter (API): Zoals ik bij de snelheidstest noemde, accepteert die "low", "medium" of "high". Gebruik low voor simpele edits zoals achtergrondwissels en bewaar high voor drukke scènes met veel constraints. Kwaliteit verhogen lost een drukke scène niet op; complexity verhogen mogelijk wel.
• Opgeslagen referentieafbeeldingen (ChatGPT): Upload één keer een foto van jezelf, je huisdier of een mascotte en ChatGPT bewaart die. Vraag later gewoon om “mijn kat in een ruimtepak” zonder de foto opnieuw te uploaden, en dezelfde kat verschijnt elke keer.

• Markup-gestuurde edits (ChatGPT en API): Omcirkel het deel dat je wilt veranderen en zeg wat er moet veranderen, zoals een vaas omcirkelen en “maak ’m blauw” schrijven. ChatGPT had dit al; Images 2.6 brengt het naar de API.

Hoe maak je GIF’s met OpenAI Images 2.6

Om een GIF te maken, vraag je er één in ChatGPT of roep je de Images API aan met output_format: "gif". ChatGPT is sneller voor een eenmalige, maar de API geeft je controle over aantal frames en timing, wat best belangrijk is als je meer dan een handvol GIF’s maakt.

Zo maak je een GIF in ChatGPT

Open een nieuwe chat en beschrijf de GIF: het onderwerp, de beweging en dat hij moet lussen. Dit vroeg ik: “Maak een GIF van een kleine oranje robot die zwaait en dan terugkeert naar zijn beginpose. Houd de achtergrond egaal en de camera stil.”

ChatGPT met Images 2.6 genereert een oranje robot. GIF door auteur.

Je kunt ook starten vanuit iets dat je al hebt. Upload een foto of een ruwe schets, en zeg vervolgens wat er moet bewegen en wat vast moet blijven.

Ik probeerde dit met een kindertekening van een vogel:

Een ruwe tekening van een vogel. Afbeelding door auteur.

Mijn prompt: “Maak van deze kindertekening een loopende GIF. Houd de handgetekende stijl. Laat de vogel één keer hupsen en met zijn vleugel klapperen, en daarna terugkeren naar de beginpose. Houd de achtergrond egaal wit en de camera stil.”

De GIF die ChatGPT maakte van een ruwe tekening. GIF door auteur.

ChatGPT gaf een loop van 9 frames terug op 180 ms per frame, ongeveer 1,6 seconden, in een bestand van 183 KB. Het hield de krasserige stijl, die ik half verwachtte dat het zou “repareren”. De vogel hurkt, springt met ingetrokken pootjes en landt.

Mijn favoriete detail is iets waar ik nooit om vroeg. De enkele lijn voor de vleugel groeit voor het klapperen uit tot een echte vleugel en vouwt weer ineen tot een boog wanneer de vogel landt. ChatGPT voegde zelfs kleine bewegingslijntjes toe, zoals een kind zou doen.

Die laatste drie frames zijn bijna identiek, waardoor de vogel pauzeert voor de volgende hup. Die pauze verbergt de looppunt goed, al verschuift de vogel een beetje wanneer hij herstart als je goed kijkt.

Als een GIF klaar is, kun je ’m vertragen, versnellen of losse frames corrigeren. Daar heb je de knoppen niet eens voor nodig. Verzoeken in gewone taal werken ook, zoals “Maak de overgang van het laatste frame terug naar het eerste vloeiender.”

Zo maak je een GIF met de OpenAI API

Stuur een verzoek naar de image generation-endpoint met output_format ingesteld op "gif". Twee instellingen zijn specifiek voor GIF’s:

Met de standaardinstellingen krijg je 9 frames van 200 ms elk, dus een loop van 1,8 seconde.

Ik draaide onderstaande code in Google Colab met versie 3.46 van het openai-pakket, en die werkte zoals geschreven. De API volgde elke instelling exact, tot en met het 512x512-formaat.

import base64

from openai import OpenAI

# Reads OPENAI_API_KEY from your environment
client = OpenAI()

result = client.images.generate(
    model="gpt-image-2.6-flare",  # Flare: faster; switch to sunburst for detail
    prompt=(
        "A small orange robot waves, blinks, and returns to its starting pose. "
        "Plain white background, fixed camera, seamless loop."
    ),
    output_format="gif",
    frame_count=9,  # 9 frames x 200 ms = a 1.8-second loop
    frame_duration_ms=200,
    size="512x512",  # smaller frames keep the file size down
    quality="low",
    complexity="low",  # a simple motion doesn't need extra planning
)

# The GIF comes back as base64; decode it and save it to disk
gif_bytes = base64.b64decode(result.data[0].b64_json)
with open("robot.gif", "wb") as f:
    f.write(gif_bytes)
Mogelijk gemaakt door

image-2.6-flare API genereert een oranje robot die in een loop zwaait. GIF door auteur.

Vergelijk ’m met de ChatGPT-robot. Beide tonen een oranje robot die zwaait, maar deze oogt ruwer omdat de code quality="low" zet om tijd en geld te besparen. Het oppervlak lijkt bekrast, kleine onderdelen zoals de antennes verschuiven tussen frames, en in één frame verandert het zwaaien in een duim omhoog. Low quality is prima voor een snelle reaction GIF in een chat. Voor alles met je merk erop: gebruik "medium" of "high".

Het bestand kwam uit op 429 KB, dicht bij de 500 KB-limiet die veel websites hanteren voor GIF’s.

Weet, vóór je hierop bouwt, twee beperkingen:

• Geen streaming: Gedeeltelijke afbeeldingen en output_compression werken ook niet met GIF-output.

• Een pixelbudget: Aantal frames, framegrootte en n moeten samen binnen één totaal passen. Als een verzoek faalt, verlaag één van deze.

Hoe krijg je een vloeiende loop?

Vraag in je prompt om een beweging die eindigt waar die begon, en zeg wat stil moet blijven staan. Als het laatste frame niet overeenkomt met het eerste, zie je elke keer een sprong wanneer de GIF opnieuw begint. Vertragen met frame_duration_ms verbergt die sprong niet. Vraag in plaats daarvan om terug te keren naar de beginpose, zoals ik deed met de robot en de vogel.

In de praktijk:

• Kies één kleine, omkeerbare actie, zoals zwaaien of knipperen.
• Houd camera, achtergrond en schaal vast.
• Laat tekst buiten beeld.
• Kijk meerdere volledige loops en check de middenframes, niet alleen het eerste en laatste. Daar sloop mijn API-robot zijn duim omhoog tussendoor.

Check de bestandsgrootte voordat je een GIF op een website zet. Mijn 512x512, 9-frame robot zat al op 429 KB, dus 1024x1024 met 16 frames komt niet in de buurt van een 500 KB-limiet.

Slotgedachten

Als je GIF’s maakt voor social posts, mascottes of storyboards, is Images 2.6 een grote verandering, omdat je geen aparte tool meer nodig hebt om je afbeeldingen te animeren.

Maar als GIF’s niet je ding zijn en je zoekt een tool voor stilstaande beelden, vergelijk dan onze gids met de beste gratis AI-beeldgeneratoren. Wil je zien hoe Google dezelfde bewerkingsproblemen aanpakt, lees dan onze Nano Banana 2-gids.