GPT-Live-1-Stimmen sind jetzt etwas, das Sie beschreiben: Prompt-to-Voice ist verfügbar und neun internationale Presets gehen an den Start

Fast das ganze Jahr über bedeutete die Wahl einer Stimme für G​PT-Live-1 nichts weiter, als eine Zeichenkette auszuwählen. Man las eine Liste, setzte audio.output.voice/ zu Sitzungsbeginn auf einen der Einträge, und wenn keiner zur Marke passte, an der man baute, lieferte man mit der nächstbesten aus. Das änderte sich am 16. Oktober 2026, als O​penAI prompt-to-voice für alle API-Kunden freigab und neun natürliche Stimmen für fünf nicht englischsprachige Märkte hinzufügte. Die neue Funktion ist auf dem Papier klein — ein Endpunkt, kostenlos aufrufbar — und sie schreibt die früheste Entscheidung neu, die die meisten Sprachprodukte treffen. Außerdem kommt sie einen Tag, nachdem G​PT-Live-1.1 native Decisions-Integration in denselben Live-Sitzungen erhielt, was wichtig ist, weil die beiden Änderungen in entgegengesetzte Richtungen drücken: Die eine macht die Stimme individueller, die andere macht das, was hinter der Stimme steckt, aktiver.

Hier ist, was tatsächlich ausgeliefert wurde, was es kostet und die zwei Asymmetrien in der neuen Stimmenliste, die in keiner Launch-Notiz erwähnt werden.

Was das Release vom 16. Oktober enthält

Zwei Dinge, beide dem gpt-live-1/-Modell und zwei Endpunkten zugeordnet — v1/audio/voices/ und v1/live/sessions/.

• Prompt-to-Voice — erstelle eine eigene Stimme aus einer Textbeschreibung, über die API oder den Voice Playground, und verwende sie dann in G​PT-Live-Sitzungen wieder. Für alle API-Kunden freigegeben.

• Neun neue natürliche Stimmen – Nuri, Juni und Flitz (Deutsch); Brise und Sillage (Französisch); Nira (Hindi); Harema und Shida (Japanisch); Noeul (Koreanisch).

• Kosten — das Erstellen einer prompt-generierten Stimme ist kostenlos. Die Nutzung für die Sprachsynthese wird zu den regulären GPT-Live-Sitzungstarifen abgerechnet, und das Probehören im Playground zählt für die Abrechnung als normale Sitzung.

• Einen Tag früher, am 15. Oktober — native Decisions-Integration in G​PT-Live, sodass eine App handeln kann, während der Benutzer noch spricht, oder auf das reagieren kann, was Live sagt, über native Delegation oder Transkript-Deltas.

Der Preiskontext, der diese Zahlen lesbar macht: Eine G​PT-Live-1-Sprachsitzung kostet 0,05 $ pro Minute, sekundengenau abgerechnet und nicht aufgerundet. Diese Zeile bleibt durch dieses Release unverändert, und kein Teil von prompt-to-voice ändert etwas daran.

Der API-Aufruf ist ein einzelner POST, und seine Form verrät dir, was das Modell gerade tut

Sie senden JSON an /v1/audio/voices/ mit type: "prompt"/, einem name/, die prompt/ Beschreibung und "model": "auto"/. Ein optionaler script_hint/ von bis zu 2.000 Zeichen liefert Beispielsprache, um die Generierung zu steuern; lassen Sie ihn weg, schreibt der Dienst das Skript selbst, wobei leere oder sehr kurze Skripte abgelehnt werden.

Die Antwort enthält kein Audio. Sie gibt nur Metadaten zurück — einen Objekttyp, eine id/, den name/, ein created_at/ in Unix-Sekunden, den type/, und Ihren ursprünglichen Prompt. Das ist eine bewusste Designentscheidung mit einer praktischen Konsequenz: Zum Erstellungszeitpunkt gibt es nichts, was man sich in der Vorschau ansehen könnte, also hören Sie es sich so an, wie Sie es verwenden würden, was als Sitzung abgerechnet wird. Jede Anfrage speichert eine brandneue Stimme, also bewahren Sie die ID und die Beschreibung zusammen auf — die Beschreibung ist die einzige Aufzeichnung dessen, was Sie angefordert haben.

Die steuerbaren Eigenschaften werden alle in gewöhnlicher Sprache ausgedrückt und nicht als separate Parameter: Akzent, Alter, Präsentation, Tonhöhe, Timbre, Textur, Lautstärke, Sprechgeschwindigkeit und Eigenständigkeit. OpenAIs eigene Beispiele umfassen einen Akzent, der als „American English, with a strong accent“ formuliert ist, und ein Tempo, das als „Medium pace“ formuliert ist. Nirgendwo in der Oberfläche gibt es einen numerischen Prosodie-Regler, was bedeutet, dass der Prompt die API ist.

Das ist ein echter Zielkonflikt. Ein Schieberegler ist reproduzierbar; ein Satz ist es nicht. Zwei Teams, die denselben Beschreibungsabsatz schreiben, erhalten möglicherweise nicht dieselbe Stimme, und in der Dokumentation steht unmissverständlich, dass generierte Stimmen nicht garantiert einzigartig sind. Halte den Prompt-Text unter Versionskontrolle, genauso wie du deinen System-Prompt unter Versionskontrolle hältst.

Die Grenzen, um die herum es sich lohnt zu designen

• 100 prompt-generierte Stimmen pro Organisation. Die Obergrenze gilt auch für Ihre Kunden. Wenn Sie also pro Endbenutzer eine Stimme generieren, sind 100 die Obergrenze für Ihre gesamte Mandantenbasis, nicht ein Kontingent pro Konto.

• Nur G​PT-Live. Prompt-generierte Stimmen funktionieren nicht mit den Text-to-Speech-, Realtime- oder Chat-Completions-APIs. Eine Stimme, die Sie heute beschreiben, ist eine Stimme, die Sie morgen in einer Batch-Narration-Pipeline nicht wiederverwenden können.

• Nicht verwendbar mit Zero Data Retention. Die Stimmenerstellung über /v1/audio/voices, einschließlich des Aufzeichnungspfads, ist ausgeschlossen.

• Nur für Erwachsene, und keine Nachahmung. Kinderstimmen sind nicht zulässig, und die Vorgabe lautet, Eigenschaften zu beschreiben, statt eine reale Person oder Figur zu nennen.

• Aufnahmebasierte Stimmen sind ein separater, strengerer Weg — maximal 20 pro Organisation, Samples von höchstens 30 Sekunden in mpeg, wav, ogg, aac, flac, webm oder mp4, mindestens fünf Sekunden echte Sprache und fünfzehn transkribierte Tokens, Uploads auf 10 MiB begrenzt, wobei eine Einwilligungsaufnahme erforderlich ist.

Die Obergrenze von 100 Stimmen und die Beschränkung auf G​PT-Live sind die beiden Faktoren, die die Architektur bestimmen. Wenn Sie eine Plattform sind, die pro Kunde eine Stimme generiert, haben Sie eine harte Obergrenze und keinen Ausweichpfad zu den günstigeren Sprach-APIs.

Die vollständige Preset-Liste und wo sie dünn besetzt ist

Die neun Ergänzungen kommen zu einer Bibliothek hinzu, die O​penAIs Live-Sprachleitfaden jetzt mit einundzwanzig Einträgen auflistet, plus marin/ als Standard. Als Ganzes gelesen verrät die Liste etwas darüber, wer nach O​penAIs Erwartung bauen wird:

• Englisch — sechs regionale Farben, nicht nur eine. Quartz und Ripple sind australisch; Vesper ist britisch; Willow und Stone sind irisch; Gleam und Meridian sind nordamerikanisch; Beacon ist philippinisch; Delta und Cinder stammen aus den Südstaaten der USA. Vier davon sind als Generiert statt Natürlich gekennzeichnet.

• Portugiesisch — Bossa und Tempo, beide brasilianisch, beide Natural.

• Deutsch — Nuri, Juni und Flitz. Zwei weibliche, einer männlich.

• Französisch — Brise und Sillage. Einer feminin, einer maskulin.

• Japanisch — Harema und Shida. Eine feminin, eine maskulin.

• Hindi — Nira. Nur feminin.

• Koreanisch — Noeul. Nur weiblich.

Daraus ergeben sich zwei Asymmetrien. Erstens erhält Deutsch drei Stimmen, während Französisch, Japanisch, Hindi und Koreanisch zwei, zwei, eine und eine erhalten – eine Zuteilung, die eher OpenAIs Prioritäten auf dem europäischen Markt folgt als den Sprecherpopulationen. Zweitens erhalten Hindi und Koreanisch jeweils genau eine Stimme, und beide sind weiblich. Wenn Ihr Produkt eine männliche Hindi- oder Koreanisch-Stimme aus der Preset-Bibliothek benötigt, gibt es keine, und Ihre Optionen sind eine auf Aufnahmen basierende Stimme oder eine per Prompt generierte. Genau diese Lücke sollte Prompt-to-Voice schließen, und es wurde am selben Tag veröffentlicht – was darauf hindeutet, dass die Abfolge kein Zufall ist.

Der Leitfaden weist außerdem auf etwas hin, das leicht falsch verstanden werden kann: „Regionaler Einfluss“ beschreibt den Sprechstil einer Stimme, nicht eine feste Einschränkung darauf, welche Sprachen sie sprechen kann. Testen Sie infrage kommende Stimmen mit den tatsächlichen Sprachen und Aussprachen, auf die Ihre App stößt, statt anzunehmen, dass eine deutsch gekennzeichnete Stimme die richtige Wahl für deutsche Eingaben ist.

Die Einstellung, die sich während eines Anrufs nicht ändern lässt.Die Stimme ist eine Einstellung beim Start. Sie weisen audio.output.voice/ beim Erstellen der Sitzung zu, und um sie zu ändern, starten Sie eine neue Sitzung. Forks erben das Modell, die ursprünglichen Anweisungen und Eingaben der Quellsitzung, sodass der Vergleich zweier Stimmen bedeutet, zwei Sitzungen aus derselben Konfiguration zu erstellen, statt innerhalb einer Sitzung zu wechseln. Wenn Sie Stimmen per A/B-Test gegen echte Nutzer testen, bedeutet das zwei Session-Factories, nicht eine Sitzung mit einem Flag — und es bedeutet, dass jeder Vergleich auf beiden Testarmen die volle Sitzungszeit kostet.

Wo das Backend sitzt – und warum das die günstigere Hälfte der Entscheidung ist

Die Stimme ist die Hälfte einer Live-Session, die Nutzer hören. Die andere Hälfte ist Delegation: G​PT-Live hört zu und spricht, während ein Backend-Modell oder Agent das Reasoning und die Tool-Arbeit übernimmt, und die Backend-Nutzung wird separat zu normalen Preisen abgerechnet. O​penAIs eigener Kostenleitfaden macht die Rechnung unmissverständlich – die gesamte aktive Sitzungszeit ist abrechnungspflichtig, auch während das Backend arbeitet, und die Nutzung eines schnelleren Backend-Modells mit parallelen Tool-Aufrufen, sodass der Nutzer eine Minute früher fertig ist, spart 0,05 US-Dollar an Sprachgebühren. Der Sprachtarif ist pro Minute fest; das Backend ist die Stellschraube.

Hier verdient ein Router seinen Platz, anstatt nachträglich angebaut zu werden. Client-Delegation ermöglicht es Ihnen, eine G​PT-Live-Session auf Ihren eigenen Agenten, Harness oder Dienst zu richten – was bedeutet, dass das delegierte Backend jedes beliebige Modell sein kann, und die nützliche Version von „jedem Modell“ ist ein Schlüssel und ein Endpunkt statt eines Vertrags pro Anbieter. OrcaRouter bietet über 200 Modelle zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preissenkung beim Backend Sie am selben Tag erreicht, an dem sie kommt, und automatisches Failover fängt es ab, wenn ein Anbieter einen schlechten Nachmittag hat, ohne dass der Nutzer davon etwas mitbekommt. Die Routing-DSL ermöglicht es Ihnen, den Reasoning-Schritt aus mehreren Modellen zusammenzusetzen, statt die Konversation auf ein einziges zu setzen, was die Form ist, die Sie für ein delegiertes Backend wollen, das innerhalb des Latenzbudgets einer laufenden Konversation antworten muss.

Eine Grenze, die klar benannt werden muss: OrcaRouter hostet G​PT-Live-1 nicht, und nichts in dieser Version ändert daran etwas. Die Rolle des Routers in einer Live-Architektur liegt hinter der Delegationsgrenze, nicht vor der Stimme.

Was diese Woche zu tun ist

Wenn Sie bereits ein Live-Produkt mit einer voreingestellten Stimme ausliefern, sind die neun Ergänzungen ein Freifahrtschein, um zu testen, ob Ihre nicht-englischsprachigen Nutzer tatsächlich bedient werden – tauschen Sie die Stimme bei einem Bruchteil der Sitzungen aus und hören Sie zu, und bedenken Sie, dass der Austausch Sie eine neue Sitzung pro Arm kostet.

Wenn du beim Markenfit blockiert warst, ist prompt-to-voice jetzt einen Tag Experimentieren wert – mit einem Vorbehalt, der sich später rächen wird: Behandle den Beschreibungstext als Build-Artefakt. Versioniere ihn, bewahre die zurückgegebene ID daneben auf und gehe davon aus, dass du neu generieren musst – denn bei einer Obergrenze von 100 Stimmen pro Organisation und keiner Vorschau zum Erstellungszeitpunkt wirst du die Stimme, die dir am Dienstag gefallen hat, absichtlich neu erzeugen können müssen.

Und wenn Sie das gesamte System bauen und nicht nur die Stimme, ist die folgenreichere Oktober-Änderung vielleicht diejenige, über die niemand einen Blogbeitrag geschrieben hat. Einen Tag, bevor die Stimmen eingeführt wurden, erhielt G​PT-Live native Decisions-Integration – die Fähigkeit zu handeln, während der Nutzer noch mitten im Satz ist. Eine Stimme, die passt, ist eine Produktentscheidung. Ein Backend, das antwortet, bevor der Nutzer seine Frage beendet hat, ist eine Architekturentscheidung.

Nichts davon ist hypothetisch: Die dokumentierten KI-Ausfälle und Agent-Vorfälle, die hinter Releases wie diesem stehen, finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und sein Umstritten-Flag führt.