أصوات GPT-Live-1 أصبحت الآن شيئًا تصفه: Prompt-to-Voice يتوفر، وتسع إعدادات مسبقة دولية تصل

For most of the year, choosing a voice for G​PT-Live-1 meant picking a string. You read a list, you set audio.output.voice/ to one of them at session start, and if none of them fit the brand you were building, you shipped with the closest one. That changed on 16 October 2026, when O​penAI released prompt-to-voice to all API customers and added nine natural voices aimed at five non-English markets. The new capability is small on paper — one endpoint, free to call — and it rewrites the earliest decision most voice products make. It also lands a day after G​PT-Live-1.1 picked up native Decisions integration inside the same Live sessions, which matters because the two changes push in opposite directions: one makes the voice more bespoke, the other makes the thing behind the voice more active.

إليك ما طُرح فعليًا، وتكلفته، وحالتا اللاتماثل في قائمة الأصوات الجديدة اللتان لا تذكرها أي ملاحظة إطلاق.

ما يحتوي عليه إصدار 16 أكتوبر

أمران، كلاهما مرتبطان بنموذج gpt-live-1/ ونقطتي نهاية — v1/audio/voices/ وv1/live/sessions/.

• Prompt-to-voice — create a custom voice from a text description, through the API or the voice Playground, then reuse it in G​PT-Live sessions. Released for all API customers.

• تسعة أصوات طبيعية جديدة — Nuri وJuni وFlitz (الألمانية)؛ Brise وSillage (الفرنسية)؛ Nira (الهندية)؛ Harema وShida (اليابانية)؛ Noeul (الكورية).

• Cost — creating a prompt-generated voice is free. Using it speech-synthesises at regular G​PT-Live session rates, and auditioning it in the Playground counts as a normal session for billing.

• A day earlier, on 15 October — native Decisions integration in G​PT-Live, so an app can act while the user is still speaking or react to what Live says, via native delegation or transcript deltas.

The pricing context that makes those numbers legible: a G​PT-Live-1 voice session runs $0.05 per minute, billed by the second and not rounded up. That line is unchanged by this release, and no part of prompt-to-voice changes it.

استدعاء API هو طلب POST واحد، وشكله يخبرك بما يفعله النموذج

أنت ترسل JSON إلى /v1/audio/voices/ مع type: "prompt"، وname، وprompt وصف، و"model": "auto". وscript_hint اختياري يصل إلى 2000 حرف ويوفّر كلامًا نموذجيًا لتوجيه التوليد؛ إذا تركته، فستكتب الخدمة النص بنفسها، مع أن النصوص الفارغة أو القصيرة جدًا مرفوضة.

الرد لا يحتوي على صوت. إنه يعيد بيانات وصفية فقط — نوع كائن، ومعرّف/، الاسم/، تاريخ الإنشاء/ بالثواني اليونيكس، النوع/، ومطالبتك الأصلية. هذا خيار تصميم متعمد مع نتيجة عملية: لا يوجد شيء لمعاينته في وقت الإنشاء، لذا تستمع إليه بالطريقة التي ستستخدمه بها، والتي تُحاسب كجلسة. كل طلب يحفظ صوتًا جديدًا تمامًا، لذا احتفظ بالمعرّف والوصف معًا — الوصف هو السجل الوحيد لما طلبته.

The controllable qualities are all expressed as ordinary language rather than as separate parameters: accent, age, presentation, pitch, timbre, texture, loudness, speech rate and distinctiveness. O​penAI's own examples include an accent phrased as "American English, with a strong accent" and a pace phrased as "Medium pace." There is no numeric prosody slider anywhere in the surface, which means the prompt is the API.

هذه مقايضة حقيقية. شريط التمرير قابل لإعادة الإنتاج؛ أما الجملة فليست كذلك. قد لا يصل فريقان يكتبان الفقرة نفسها من الوصف إلى النبرة نفسها، وتقول الوثائق صراحةً إن الأصوات المولّدة ليس مضمونًا أن تكون فريدة. احتفظ بنص المطالبة تحت نظام إدارة الإصدارات بالطريقة نفسها التي تحتفظ بها بمطالبة النظام لديك.

الحدود التي يستحق التصميم أن يُبنى حولها

• 100 صوت مولّد بواسطة المطالبات لكل مؤسسة. ينطبق هذا الحد على عملائك أيضًا، لذا إذا كنت تولّد صوتًا لكل مستخدم نهائي، فإن 100 هو الحد الأقصى على كامل قاعدة المستأجرين لديك، وليس حصة مسموحًا بها لكل حساب.

• G​PT-Live only. Prompt-generated voices do not work with the Text to Speech, Realtime, or Chat Completions APIs. A voice you describe today is a voice you cannot reuse in a batch narration pipeline tomorrow.

• غير قابل للاستخدام مع الاحتفاظ بالبيانات الصفري. إنشاء الصوت عبر /v1/audio/voices/، بما في ذلك مسار التسجيل، مستثنى.

• للبالغين فقط، وبدون تقليد. لا يُسمح بأصوات الأطفال، والإرشاد هو وصف الصفات بدلاً من ذكر شخص أو شخصية حقيقية.

• الأصوات القائمة على التسجيلات مسار منفصل وأكثر تقييدًا — بحد أقصى 20 لكل مؤسسة، وعينات مدتها 30 ثانية أو أقل بصيغ mpeg أو wav أو ogg أو aac أو flac أو webm أو mp4، مع ما لا يقل عن خمس ثوانٍ من الكلام الحقيقي وخمسة عشر رمزًا مُفرَّغًا نصيًا، والتحميلات محدودة بـ 10 MiB، مع اشتراط تسجيل موافقة.

The 100-voice cap and the G​PT-Live-only restriction are the two that shape architecture. If you are a platform generating a voice per customer, you have a hard ceiling and no fallback path into the cheaper speech APIs.

القائمة الكاملة للإعدادات المسبقة، وأين تكون ناقصة

The nine additions land on top of a library that O​penAI's Live voice guide now lists twenty-one deep, plus marin/ as the default. Read as a whole, the list says something about who O​penAI expects to be building:

• الإنجليزية — ستة ألوان إقليمية، وليس لونًا واحدًا. Quartz وRipple أستراليان؛ Vesper بريطاني؛ Willow وStone أيرلنديان؛ Gleam وMeridian أمريكيان شماليان؛ Beacon فلبيني؛ Delta وCinder من جنوب الولايات المتحدة. أربعة منها موسومة بأنها Generated وليست Natural.

• البرتغالية — Bossa و Tempo، كلاهما برازيليان، وكلاهما طبيعيان.

• الألمانية — Nuri، Juni وFlitz. اثنان مؤنثان وواحد مذكر.

• الفرنسية — Brise وSillage. أحدهما مؤنث والآخر مذكر.

• اليابانية — هاريما وشيدا. أحدهما مؤنث والآخر مذكر.

• الهندية — نيرا. مؤنّث فقط.

• كورية — نوول. للإناث فقط.

Two asymmetries fall out of that. First, German gets three voices while French, Japanese, Hindi and Korean get two, two, one and one — an allocation that tracks O​penAI's European market priorities more than it tracks speaker populations. Second, Hindi and Korean each get exactly one voice, and both are feminine. If your product needs a masculine Hindi or Korean voice from the preset library, there isn't one, and your options are a recording-based voice or a prompt-generated one. That is precisely the gap prompt-to-voice was released to fill, arriving the same day — which suggests the sequencing is not a coincidence.

يشير الدليل أيضًا إلى أمر يسهل إساءة قراءته: "التأثير الإقليمي" يصف أسلوب النطق لدى الصوت، وليس قيدًا صارمًا على اللغات التي يمكنه التحدث بها. اختبر الأصوات المرشّحة مقابل اللغات وأساليب النطق الفعلية التي يواجهها تطبيقك، بدلًا من افتراض أن صوتًا موسومًا بالألمانية هو الخيار الصحيح للمدخلات الألمانية.

الإعداد الذي لا يمكنك تغييره أثناء المكالمة.الصوت إعداد بدء التشغيل. تقوم بتعيين audio.output.voice/ عند إنشاء الجلسة، ولتغييره تبدأ جلسة جديدة. ترث الفروع نموذج الجلسة المصدر والتعليمات الأصلية والمدخلات، لذا فإن مقارنة صوتين تعني إنشاء جلستين من الإعداد نفسه بدلًا من التبديل داخل جلسة واحدة. إذا كنت تُجري اختبار A/B للأصوات على مستخدمين حقيقيين، فهذا يعني مصنعَي جلسات، لا جلسة واحدة مع علامة — ويعني أن كل مقارنة تكلّف وقت جلسة كاملًا على كلا الذراعين.

أين يقع الباك إند، ولماذا يُعدّ ذلك النصف الأرخص من القرار

The voice is the half of a Live session that users hear. The other half is delegation: G​PT-Live listens and speaks while a backend model or agent does the reasoning and tool work, and backend usage is billed separately at normal rates. O​penAI's own cost guidance makes the arithmetic blunt — full active session time is billable including while the backend works, and using a faster backend model with parallel tool calls so the user finishes a minute earlier saves $0.05 in voice charges. The voice rate is fixed per minute; the backend is the dial.

That is where a router earns its place rather than being bolted on. Client delegation lets you point a G​PT-Live session at your own agent, harness or service — which means the delegated backend can be any model, and the useful version of "any model" is one key and one endpoint rather than a contract per provider. OrcaRouter fronts 200-plus models at provider list price with no markup, so a backend price cut reaches you the same day it lands, and automatic failover covers a provider having a bad afternoon without the user hearing it. The routing DSL lets you compose the reasoning step out of several models instead of betting the conversation on one, which is the shape you want for a delegated backend that has to answer inside a live conversation's latency budget.

One boundary to state plainly: OrcaRouter does not host G​PT-Live-1, and nothing in this release changes that. The router's role in a Live architecture is behind the delegation boundary, not in front of the voice.

ماذا تفعل هذا الأسبوع

إذا كنت تطلق بالفعل منتج Live بصوت مُعدّ مسبقًا، فإن الإضافات التسع تُعدّ فرصة مجانية لاختبار ما إذا كان مستخدموك غير الناطقين بالإنجليزية يحصلون فعلاً على الخدمة — بدّل الصوت في جزء من الجلسات واستمع، مع تذكّر أن التبديل يكلّفك جلسة جديدة لكل مجموعة.

إذا كنت متعثرًا في ملاءمة العلامة التجارية، فإن prompt-to-voice يستحق الآن يومًا من التجريب، مع تحذير واحد سيؤلمك لاحقًا: تعامل مع نص الوصف باعتباره مُخرَج بناء. أنشئ إصدارات منه، واحتفظ بالمعرّف المُعاد بجانبه، وافترض أنك ستحتاج إلى إعادة التوليد — لأنه مع حد أقصى 100 صوت للمؤسسة وعدم وجود معاينة عند الإنشاء، فإن الصوت الذي أعجبك يوم الثلاثاء هو شيء سيتعين عليك أن تكون قادرًا على إعادة إنشائه عن قصد.

And if you are building the whole system rather than just the voice, the more consequential October change may be the one nobody wrote a blog post about. A day before the voices landed, G​PT-Live picked up native Decisions integration — the ability to act while the user is still mid-sentence. A voice that fits is a product decision. A backend that answers before the user finishes asking is an architecture one.

لا شيء من ذلك افتراضي: تم جمع إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا في OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة النزاع الخاصة به.