服飾電商做AI虛擬試穿，每件衣服都要重新生成一次圖嗎？查FASHN、Leffa等12家服務（1家已關站）與5個開源模型授權

服裝端前處理可以預先做，每次都要重跑的是顧客配衣服那一步，FASHN官方標準模式一張0.075美金、5到17秒（查證日期2026-09-21）。

先講清楚這篇的性質：這是研究跟查證，不是把12家服務（1家已關站）裝起來實際跑一輪。查的是2026-09-21當天各家的官方文件、GitHub LICENSE檔跟台灣法規原文，不是清單文章的轉述，也不是廠商自己行銷頁上的說法。

真正每次都要重跑AI的是哪一步

開源模型的架構文件把虛擬試穿拆成幾個步驟看比較清楚。服裝去背與服裝特徵抽取（紋理、圖案、布料結構）只吃服裝圖本身，跟哪位顧客試穿無關，理論上可以在商品上架時算一次、把結果存起來，之後不用再重新處理（推論，根據IDM-VTON、OOTDiffusion等模型的ReferenceNet架構描述）；但這個預先算的省錢空間只存在於自架開源模型的情境，用FASHN這類商用API時，每次呼叫是整張計費，不會因為服裝端理論上可預先處理就變便宜。

但顧客的姿勢辨識、身體部位分割，加上最後把「顧客身體配服裝特徵」合成出試穿圖的生成運算，一定要拿到顧客真人照片才能算，沒辦法對服裝預先做。這一步要針對每一個「這件衣服配這位顧客」的組合各跑一次，沒有辦法只做一次就套用到所有顧客，也沒辦法套用到同一顧客的所有衣服。

虛擬試穿的服裝去背與特徵抽取理論上可在上架時預先算好存起來，但顧客姿勢辨識與最終合成一定要每位顧客配每件衣服各跑一次，查證日期2026-09-21。

意思是成本公式是「顧客數乘以每人試穿張數」，不是「衣服件數」。衣服件數只影響服裝端前處理要跑幾次，那一段成本相對小（推論）；真正花錢又花時間的是顧客那一次生成，這部分省不掉。

每張多少錢、要等多久

以下數字裡，FASHN跟Leffa已於2026-09-21重新開頁確認官方原文，IDM-VTON的每張價格是Replicate平台頁面轉述，屬二手數字。

FASHN官方文件寫「Virtual Try-On (v1.6)」每張1學分、每學分0.075美金，performance模式5秒最快、quality模式12到17秒，最低儲值7.5美金（100學分）；這頁2026-09-21已重新開頁確認過原文。以匯率32自行換算，一張約新台幣2.4元，每月1,000次試穿約新台幣2,400元，1萬次約2萬4千元（自行換算，非官方報價）。

Leffa是Meta出品，GitHub官方寫「generating an image in 6 seconds (on A100)」，2026-09-21已重新開頁確認過這句原文；fal.ai代管收費是每次生成0.1美金，約新台幣3.2元。

開源模型能不能直接商用

查到5個主流開源虛擬試穿模型，逐一讀過GitHub上的LICENSE檔原文，結果只有一個能直接商用。

IDM-VTON的GitHub頁面寫「The codes and checkpoints in this repository are under the CC BY-NC-SA 4.0 license」，2026-09-21已重新開頁確認過這句原文，NC條款代表禁止商業使用。FitDiT的GitHub頁面寫「This model can only be used for non-commercial use. For commercial use, please visit Tencent Cloud for support」，商用要走騰訊雲付費管道，不是開源免費用。

另一個容易漏掉的風險點：就算自己重新訓練模型、不用官方權重，訓練資料本身也可能帶授權限制。常見訓練資料集VITON-HD跟DressCode都是非商用授權，FASHN部落格主張用這些資料集訓練出來的模型可能仍受拘束（二手，法律上未定）。

查到的5個主流開源虛擬試穿模型裡，IDM-VTON、OOTDiffusion、CatVTON、FitDiT授權都是CC BY-NC-SA 4.0禁止商用，只有Meta出品的Leffa是MIT可以直接商用，查證日期2026-09-21。

內衣泳裝、圖案花紋、合身度：已知的弱項

FASHN官方文件寫明moderation_level參數：conservative模式「Blocks underwear, swimwear, and revealing outfits」，會擋內衣泳裝；預設的permissive模式「allows swimwear, underwear, and revealing garments, while still blocking explicit nudity」，放行內衣泳裝但仍擋裸露（一手，2026-09-21查證）。上線前建議自己實測確認實際判定結果，不要只憑文件說明假設。

技術文獻的共同結論是：服裝上的小圖案跟文字容易失真，模型在潛在空間壓縮時難以保留精細紋理；寬鬆版型、連身裙這類服裝，模型分不清正面背面，邊緣容易模糊；側身姿勢比正面站姿效果明顯差，因為主流方法是根據2D服裝圖推論姿勢變化，看不到的側面紋理要靠生成器腦補。這些觀察來自多篇論文摘要的整理轉述，屬二手資料，沒有逐篇讀論文全文。

另外要說清楚的是，AI試穿圖看不出合不合身。多篇2025到2026的論文（包含SiCo、FIT Dataset等）都指出，現有虛擬試穿方法只是把服裝外觀貼到人身上，沒有考慮實際尺寸，回答不了「這件衣服穿在我身上到底合不合身」這個對顧客最關鍵的問題，這點連Google、Walmart等大公司的商業服務也一樣（二手），只能在固定體型模特兒上呈現常規版型。

台灣法規：個資、跨境傳輸、廣告真實

顧客上傳的正臉全身照，只要能識別出這個人，就落在個人資料保護法第2條定義的一般個人資料（推論），不屬於第6條列出的病歷、基因等六類特種個資。蒐集當下要做到第8條的告知義務：公司名稱、蒐集目的、個資類別、利用的期間地區對象方式、顧客可行使的權利、不提供資料將對其權益的影響。第8條六款已對過法規資料庫原文（一手，2026-09-21查證）。

保存期限依個資法第11條，「個人資料蒐集之特定目的消失或期限屆滿時，應主動或依當事人之請求，刪除、停止處理或利用該個人資料」，這句是全國法規資料庫的一手原文。實務做法是明訂試穿照片只在該次瀏覽期間保留，或顧客可主動要求刪除。

照片送到國外的API（如Replicate、fal.ai）不是自動違法。個資法第21條原文是「非公務機關為國際傳輸個人資料，而有下列情形之一者，主管機關得限制之」，列出的四種情形是國家重大利益、國際條約特別規定、接受國個資保護不完善、以迂迴方式規避本法，這句是2026-09-21重新開頁確認過的一手原文。第21條本身不是一律禁止（推論）；但第8條要告知「利用之地區」，把照片送到國外運算這件事，本身就要在蒐集當下的告知內容裡講清楚，委外運算之後個資仍要做好安全維護，這部分屬個資法整體安全義務規範，這次沒有單獨查證條文原文。

如果AI試穿圖呈現的版型、剪裁跟顧客實際收到的商品落差很大，可能碰到消費者保護法第22條廣告真實義務，也可能碰到公平交易法第21條不實表徵；後者條文列出的具體項目包括價格、數量、品質、使用方法等。這次查不到直接相關的裁罰案例，查不到不代表沒有風險。比較務實的做法是在試穿頁面標明「AI生成模擬效果，實際版型以商品頁面說明與實拍圖為準」，並確保商品頁本身有誠實的版型描述，這是根據上述法規推論出的建議，不是官方明文規定的做法。

轉換率的數字別直接拿來算帳

查到不少虛擬試穿提升轉換率、降低退貨率的數字，但幾乎全部來自試穿服務廠商自己的部落格或行銷頁面。眼鏡試戴商Fittingbox的兩個案例：Zoff轉換率提升400%，另一家光學連鎖退貨率下降15%。其他試穿廠商部落格的彙整說法：轉換率13%到40%，Genlook自家報告稱最高200%；退貨率多引用20%到40%，個別案例64%，品類不明。數字之間落差很大，沒有找到具學術審查或第三方獨立稽核的原始報告。

虛擬試穿轉換率提升與退貨率下降的數字，查到的幾乎全部來自銷售該服務的廠商自家部落格；眼鏡試戴商的案例有轉換率提升400%與退貨率下降15%，其他廠商彙整說法是轉換率13%到40%、個別自家報告稱最高200%，沒有獨立第三方研究佐證，查證日期2026-09-21。

這些數字不建議直接拿來做財務預估，決策時比較務實的做法是自己上線後小規模比較，不要照搬廠商宣稱的百分比。

學到什麼

問題不是每件衣服要不要重新生成，是顧客每次試穿都要重新生成；把服裝端能預先做的做掉、把顧客重複試穿同一件衣服的結果存起來，成本才不會隨著上架件數失控，剩下要盯的是等待體驗、內衣泳裝這類邊界情況，跟顧客照片的蒐集告知與刪除流程。