Les voix de GPT-Live-1 sont désormais quelque chose que vous décrivez : Prompt-to-Voice arrive et neuf préréglages internationaux débarquent

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.

Voici ce qui a réellement été livré, ce que cela coûte, et les deux asymétries dans la nouvelle liste de voix que la note de lancement de personne ne mentionne.

Ce que contient la version du 16 octobre

Deux choses, toutes deux associées au modèle gpt-live-1/ et à deux points de terminaison — v1/audio/voices/ et 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.

• Neuf nouvelles voix naturelles — Nuri, Juni et Flitz (allemand) ; Brise et Sillage (français) ; Nira (hindi) ; Harema et Shida (japonais) ; Noeul (coréen).

• 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.

L’appel API est un POST, et sa forme vous indique ce que le modèle est en train de faire.

Vous envoyez du JSON à /v1/audio/voices/ avec type: "prompt"/, un name, la prompt/ description, et "model": "auto". Un script_hint facultatif de 2 000 caractères maximum fournit un exemple de parole pour orienter la génération ; si vous l'omettez, le service rédige lui-même le script, bien que les scripts vides ou très courts soient rejetés.

La réponse ne contient aucun audio. Elle ne renvoie que des métadonnées — un type d’objet, un id/, le name/, un created_at/ en secondes Unix, le type/, et votre invite d’origine. Il s’agit d’un choix de conception délibéré avec une conséquence pratique : il n’y a rien à prévisualiser au moment de la création, donc vous l’auditionnez comme vous l’utiliseriez, ce qui est facturé comme une session. Chaque requête enregistre une voix toute nouvelle, alors conservez l’ID et la description ensemble — la description est la seule trace de ce que vous avez demandé.

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.

C'est un vrai compromis. Un curseur est reproductible ; une phrase ne l'est pas. Deux équipes qui rédigent le même paragraphe de description peuvent ne pas obtenir la même voix, et la documentation indique sans détour que les voix générées ne sont pas garanties d'être uniques. Gardez le texte de l'invite sous contrôle de version, de la même façon que vous conservez votre invite système.

Les limites qu'il vaut la peine de prendre en compte dans la conception

• 100 voix générées à partir d’invites par organisation. Ce plafond s’applique aussi à vos clients, donc si vous générez une voix par utilisateur final, 100 est le plafond pour l’ensemble de votre base de locataires, et non une allocation par compte.

• 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.

• Non utilisable avec Zero Data Retention. La création de voix via /v1/audio/voices/, y compris le chemin d’enregistrement, est exclue.

• Réservé aux adultes, et aucune imitation. Les voix d’enfants ne sont pas autorisées, et la consigne est de décrire des qualités plutôt que de nommer une personne réelle ou un personnage.

• Les voix basées sur un enregistrement constituent un parcours distinct et plus restrictif — un maximum de 20 par organisation, des échantillons de 30 secondes ou moins aux formats mpeg, wav, ogg, aac, flac, webm ou mp4, au moins cinq secondes de parole réelle et quinze jetons transcrits, des téléversements plafonnés à 10 MiB, avec un enregistrement de consentement requis.

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 liste complète des préréglages, et où elle est limitée

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:

Anglais — six couleurs régionales, pas une seule. Quartz et Ripple sont australiennes ; Vesper est britannique ; Willow et Stone sont irlandaises ; Gleam et Meridian sont nord-américaines ; Beacon est philippine ; Delta et Cinder sont du Sud des États-Unis. Quatre d’entre elles sont marquées « Généré » plutôt que « Naturel ».

• Portugais — Bossa et Tempo, tous deux brésiliens, tous deux naturels.

• Allemand — Nuri, Juni et Flitz. Deux féminins, un masculin.

• Français — Brise et Sillage. Un féminin, un masculin.

• Japonais — Harema et Shida. L’un féminin, l’autre masculin.

Hindi — Nira. Féminin uniquement.

• Coréen — Noeul. Féminin uniquement.

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.

Le guide signale aussi un point facile à mal interpréter : « influence régionale » décrit le style d'élocution d'une voix, et non une contrainte stricte sur les langues qu'elle peut parler. Testez les voix candidates face aux langues et prononciations réelles que votre application rencontre, plutôt que de supposer qu'une voix étiquetée comme allemande est le bon choix pour une entrée en allemand.

Le paramètre que vous ne pouvez pas modifier en cours d'appel. La voix est un paramètre de démarrage. Vous assignez audio.output.voice/ lorsque vous créez la session, et pour la modifier, vous démarrez une nouvelle session. Les forks héritent du modèle, des instructions d'origine et de l'entrée de la session source, donc comparer deux voix signifie créer deux sessions à partir de la même configuration plutôt que de basculer à l'intérieur d'une seule. Si vous faites des tests A/B de voix auprès d'utilisateurs réels, cela implique deux fabriques de sessions, et non une seule session avec un indicateur — et cela signifie que chaque comparaison coûte la durée complète d'une session sur les deux bras.

Où se situe le backend, et pourquoi c'est la moitié la moins coûteuse de la décision

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.

Que faire cette semaine

Si vous proposez déjà un produit Live avec une voix prédéfinie, les neuf ajouts vous offrent une occasion gratuite de tester si vos utilisateurs non anglophones sont réellement bien servis — remplacez la voix sur une fraction des sessions et écoutez, en gardant à l'esprit que ce remplacement vous coûte une nouvelle session par bras.

Si vous étiez bloqué sur l’adéquation à la marque, prompt-to-voice vaut désormais une journée d’expérimentation, avec une mise en garde qui vous rattrapera plus tard : traitez le texte de description comme un artefact de build. Versionnez-le, conservez l’ID renvoyé à côté, et partez du principe que vous devrez le régénérer — car avec une limite de 100 voix par organisation et aucune prévisualisation au moment de la création, la voix qui vous plaisait mardi est une chose que vous devrez être capable de recréer délibérément.

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.

Rien de tout cela n'est hypothétique : les défaillances documentées de l'IA et les incidents d'agents qui sous-tendent des versions comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée est accompagnée de ses propres sources, de son niveau de gravité, de son degré de confiance et de son indicateur de contestation.