Las voces de GPT-Live-1 ahora son algo que describes: llega Prompt-to-Voice y aterrizan nueve presets internacionales

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.

Esto es lo que realmente se lanzó, lo que cuesta y las dos asimetrías en la nueva lista de voces que ninguna nota de lanzamiento menciona.

Qué contiene la versión del 16 de octubre

Dos cosas, ambas etiquetadas con el gpt-live-1/ y con dos endpoints — v1/audio/voices/ y v1/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.

• Nueve nuevas voces naturales — Nuri, Juni y Flitz (alemán); Brise y Sillage (francés); Nira (hindi); Harema y Shida (japonés); Noeul (coreano).

• 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.

La llamada a la API es un POST, y su forma te dice lo que está haciendo el modelo.

Envías JSON a /v1/audio/voices/ con type: "prompt"/, un nombre/, el prompt/ descripción, y "model": "auto"/. Un script_hint/ opcional de hasta 2000 caracteres que proporciona voz de ejemplo para dirigir la generación; omítelo y el servicio escribirá el guion por sí mismo, aunque se rechazan los guiones en blanco o muy cortos.

La respuesta no contiene audio. Solo devuelve metadatos: un tipo de objeto, un id/, el name/, un created_at/ en segundos Unix, el type/, y tu prompt original. Eso es una decisión de diseño deliberada con una consecuencia práctica: no hay nada que previsualizar en el momento de la creación, así que la audicionas tal como la usarías, lo que se factura como una sesión. Cada solicitud guarda una voz completamente nueva, así que mantén el ID y la descripción juntos — la descripción es el único registro de lo que pediste.

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.

Eso es una disyuntiva real. Un control deslizante es reproducible; una frase no. Es posible que dos equipos que escriban el mismo párrafo de descripción no obtengan la misma voz, y la documentación dice claramente que no se garantiza que las voces generadas sean únicas. Mantén el texto del prompt bajo control de versiones tal como mantienes tu prompt del sistema.

Los límites que vale la pena tener en cuenta al diseñar

• 100 voces generadas por prompt por organización. El límite también se aplica a tus clientes, así que, si estás generando una voz por usuario final, 100 es el máximo para toda tu base de inquilinos, no una asignación por cuenta.

• 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.

• No se puede usar con Zero Data Retention. La creación de voces mediante /v1/audio/voices, incluida la ruta de grabación, queda excluida.

• Solo adultos, y sin imitación. No se permiten voces de niños, y la recomendación es describir cualidades en lugar de nombrar a una persona o personaje real.

• Las voces basadas en grabaciones son una vía separada y más restrictiva — un máximo de 20 por organización, muestras de 30 segundos o menos en mpeg, wav, ogg, aac, flac, webm o mp4, al menos cinco segundos de habla real y quince tokens transcritos, subidas limitadas a 10 MiB, y con una grabación de consentimiento obligatoria.

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.

La lista completa de presets, y dónde es escasa

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:

• Inglés — seis colores regionales, no uno. Quartz y Ripple son australianos; Vesper es británico; Willow y Stone son irlandeses; Gleam y Meridian son norteamericanos; Beacon es filipino; Delta y Cinder son del sur de EE. UU. Cuatro de esos están marcados como Generado en lugar de Natural.

• Portugués — Bossa y Tempo, ambos brasileños, ambos Natural.

• Alemán — Nuri, Juni y Flitz. Dos femeninos, uno masculino.

• Francés — Brise y Sillage. Uno femenino, uno masculino.

• Japonés — Harema y Shida. Uno femenino, uno masculino.

• Hindi — Nira. Solo femenino.

• Coreano — Noeul. Solo femenino.

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.

La guía también señala algo fácil de malinterpretar: la «influencia regional» describe el estilo de habla de una voz, no una restricción estricta sobre qué idiomas puede hablar. Prueba las voces candidatas con los idiomas y las pronunciaciones reales que encuentra tu aplicación, en lugar de dar por sentado que una voz etiquetada como alemana es la opción correcta para una entrada en alemán.

El ajuste que no puedes cambiar en mitad de la llamada.La voz es un ajuste de inicio. La asignas audio.output.voice/ al crear la sesión, y para cambiarla inicias una sesión nueva. Los forks heredan el modelo, las instrucciones originales y la entrada de la sesión de origen, así que comparar dos voces significa crear dos sesiones a partir de la misma configuración en lugar de cambiar dentro de una. Si haces pruebas A/B de voces con usuarios reales, eso significa dos fábricas de sesiones, no una sesión con un flag — y significa que cada comparación cuesta el tiempo completo de sesión en ambas ramas.

Dónde se ubica el backend, y por qué esa es la mitad más barata de la decisión

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.

Qué hacer esta semana

Si ya lanzas un producto Live con una voz predefinida, las nueve adiciones son vía libre para probar si realmente se está atendiendo a tus usuarios no angloparlantes: cambia la voz en una fracción de las sesiones y escucha, recordando que el cambio te cuesta una nueva sesión por brazo.

Si estabas bloqueado por el encaje de marca, prompt-to-voice ahora merece un día de experimentación, con una advertencia que te pasará factura más adelante: trata el texto de la descripción como un artefacto de compilación. Versiona el texto, conserva el ID devuelto junto a él y asume que tendrás que regenerarlo; porque con un límite de 100 voces por organización y sin vista previa en el momento de la creación, la voz que te gustó el martes es algo que tendrás que ser capaz de recrear a propósito.

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.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.