הקולות של GPT-Live-1 הם עכשיו משהו שאתם מתארים: Prompt-to-Voice יוצא לאור ותשעה פריסטים בינלאומיים מגיעים

במשך רוב השנה, בחירת קול עבור G​PT-Live-1 הייתה בחירת מחרוזת. קראת רשימה, הגדרת את audio.output.voice/ לאחד מהם בתחילת הסשן, ואם אף אחד מהם לא התאים למותג שבנית, שחררת עם הקרוב ביותר. זה השתנה ב-16 באוקטובר 2026, כאשר O​penAI השיקה את prompt-to-voice לכל לקוחות ה-API והוסיפה תשעה קולות טבעיים שמיועדים לחמישה שווקים שאינם דוברי אנגלית. היכולת החדשה קטנה על הנייר — נקודת קצה אחת, ללא עלות לקריאה — והיא משכתבת את ההחלטה המוקדמת ביותר שרוב מוצרי הקול מקבלים. היא גם נוחתת יום אחרי שG​PT-Live-1.1 קיבלה אינטגרציית Decisions נייטיבית בתוך אותן סשנים של Live, וזה חשוב כי שני השינויים דוחפים לכיוונים מנוגדים: האחד הופך את הקול ליותר מותאם אישית, והאחר הופך את הדבר שמאחורי הקול ליותר פעיל.

הנה מה שבאמת הושק, כמה זה עולה, ושתי הא־סימטריות ברשימת הקולות החדשה שאיש לא מזכיר בהערת ההשקה.

מה כוללת הגרסה של 16 באוקטובר

שני דברים, ששניהם מתויגים ל-gpt-live-1/ מודל ולשתי נקודות קצה — v1/audio/voices/ ו-v1/live/sessions/.

• Prompt-to-voice — צרו קול מותאם אישית מתיאור טקסט, דרך ה-API או ה-Playground הקולי, ואז השתמשו בו מחדש במפגשי G​PT-Live. שוחרר עבור כל לקוחות ה-API.

• תשעה קולות טבעיים חדשים — Nuri, Juni ו-Flitz (גרמנית); Brise ו-Sillage (צרפתית); Nira (הינדי); Harema ו-Shida (יפנית); Noeul (קוריאנית).

• עלות — יצירת קול שנוצר מפרומפט היא בחינם. השימוש בו כדי לסנתז דיבור מתבצע בתעריפי מפגש רגילים של G​PT-Live, והאזנה מקדימה לו ב-Playground נחשבת כמפגש רגיל לצורכי חיוב.

• יום קודם לכן, ב-15 באוקטובר — אינטגרציה נייטיבית של Decisions ב-G​PT-Live, כך שאפליקציה יכולה לפעול בזמן שהמשתמש עדיין מדבר או להגיב למה ש-Live אומר, באמצעות האצלה נייטיבית או דלתאות תמלול.

ההקשר התמחורי שהופך את המספרים האלה למובנים: הפעלת שיחה קולית ב-G​PT-Live-1 עולה $0.05 לדקה, מחויבת לפי שנייה ולא מעוגלת כלפי מעלה. השורה הזו אינה משתנה בגרסה הזו, ושום חלק מ-prompt-to-voice לא משנה אותה.

קריאת ה-API היא POST אחד, והמבנה שלה מגלה לך מה המודל עושה

אתה שולח JSON אל /v1/audio/voices/ עם type: "prompt"/, שם/, ה-prompt/ תיאור, ו-"model": "auto"/. script_hint אופציונלי של עד 2,000 תווים מספק דוגמת דיבור שמכוונת את היצירה; השמט אותו והשירות יכתוב את הסקריפט בעצמו, אם כי סקריפטים ריקים או קצרים מאוד נדחים.

התגובה אינה מכילה אודיו. היא מחזירה מטא-נתונים בלבד — id/, name/, created_at/ בשניות יוניקס, type/, והפרומפט המקורי שלך. זו בחירת תכנון מכוונת עם השלכה מעשית: אין מה להציג בתצוגה מקדימה בזמן היצירה, ולכן אתה מאזין לו כפי שהיית משתמש בו, וזה מחויב כסשן. כל בקשה שומרת קול חדש לגמרי, ולכן שמור את ה-ID ואת התיאור יחד — התיאור הוא התיעוד היחיד של מה שביקשת.

האיכויות הניתנות לשליטה כולן מבוטאות בשפה רגילה ולא כפרמטרים נפרדים: מבטא, גיל, אופן הגשה, גובה צליל, גוון צליל, מרקם, עוצמת קול, קצב דיבור ומובחנות. הדוגמאות של OpenAI עצמה כוללות מבטא המנוסח כ"אנגלית אמריקאית, עם מבטא חזק" וקצב המנוסח כ"קצב בינוני". אין שום סליידר פרוזודיה מספרי בשום מקום בממשק, מה שאומר שהפרומפט הוא ה-API.

זו פשרה אמיתית. סליידר ניתן לשחזור; משפט לא. שני צוותים שכותבים את אותה פסקת תיאור עשויים שלא לקבל את אותו קול, והתיעוד אומר במפורש שקולות שנוצרו לא מובטחים להיות ייחודיים. שמור את טקסט הפרומפט בבקרת גרסאות באותו אופן שבו אתה שומר את פרומפט המערכת שלך.

הגבולות שכדאי לתכנן סביבם

• 100 קולות שנוצרים מפרומפט לכל ארגון. התקרה חלה גם על הלקוחות שלך, כך שאם אתה יוצר קול לכל משתמש קצה, 100 הוא התקרה על כל בסיס הדיירים שלך, ולא הקצאה לכל חשבון.

• GPT-Live בלבד. קולות שנוצרים מפרומפט אינם עובדים עם ה-API של Text to Speech, Realtime או Chat Completions. קול שתתארו היום הוא קול שלא תוכלו לעשות בו שימוש חוזר בצינור קריינות באצווה מחר.

• לא ניתן להשתמש עם Zero Data Retention. יצירת קול באמצעות /v1/audio/voices, כולל נתיב ההקלטה, אינה נכללת.

• מבוגרים בלבד, וללא חיקוי. אין להשתמש בקולות של ילדים, וההנחיה היא לתאר תכונות ולא לנקוב בשמו של אדם או דמות אמיתיים.

• קולות מבוססי הקלטה הם מסלול נפרד ומחמיר יותר — מקסימום 20 לארגון, דגימות של 30 שניות או פחות בפורמטים mpeg, wav, ogg, aac, flac, webm או mp4, לפחות חמש שניות של דיבור אמיתי וחמישה-עשר טוקנים מתומללים, העלאות מוגבלות ל-10 MiB, כאשר נדרשת הקלטת הסכמה.

מגבלת 100 הקולות וההגבלה ל-GPT-Live בלבד הם השניים שמעצבים את הארכיטקטורה. אם אתם פלטפורמה שמייצרת קול לכל לקוח, יש לכם תקרה קשיחה ואין נתיב גיבוי אל ממשקי ה-API הזולים יותר של הדיבור.

הרשימה המלאה של הפריסטים, והיכן שהיא דלה.

תשע התוספות מצטרפות על גבי ספרייה שמדריך ה-Live voice של OpenAI מפרט כעת עשרים ואחד לעומק, בתוספת marin/ כברירת מחדל. בקריאה כמכלול, הרשימה אומרת משהו על מי ש-OpenAI מצפה שיבנה:

• אנגלית — שישה צבעים אזוריים, לא אחד. Quartz ו-Ripple הם אוסטרליים; Vesper הוא בריטי; Willow ו-Stone הם איריים; Gleam ו-Meridian הם צפון-אמריקאיים; Beacon הוא פיליפיני; Delta ו-Cinder הם מדרום ארה״ב. ארבעה מהם מסומנים כ׳מחולל׳ ולא כ׳טבעי׳.

• פורטוגזית — Bossa ו-Tempo, שניהם ברזילאים, שניהם טבעיים.

• גרמנית — נורי, יוני ופליץ. שניים בלשון נקבה, אחד בלשון זכר.

• צרפתית — Brise ו-Sillage. אחד נשי, אחד גברי.

• יפנית — הארמה ושידה. האחד נשי, האחד גברי.

• הינדי — Nira. נקבה בלבד.

• קוריאני — נואול. נשי בלבד.

שתי אסימטריות נובעות מכך. ראשית, גרמנית מקבלת שלושה קולות, בעוד שצרפתית, יפנית, הינדי וקוריאנית מקבלות שניים, שניים, אחד ואחד — הקצאה שעוקבת אחר סדרי העדיפויות של OpenAI בשוק האירופי יותר מאשר אחר אוכלוסיות הדוברים. שנית, הינדי וקוריאנית מקבלות כל אחת בדיוק קול אחד, ושניהם נשיים. אם המוצר שלך זקוק לקול הינדי או קוריאני גברי מהספרייה המוגדרת מראש, אין כזה, והאפשרויות שלך הן קול מבוסס הקלטה או קול שנוצר מהנחיה. זה בדיוק הפער שלשמו שוחרר prompt-to-voice, בהגיעו באותו יום — מה שמרמז שהרצף אינו מקרי.

המדריך גם מצביע על משהו שקל לקרוא אותו שלא כהלכה: "השפעה אזורית" מתארת את סגנון הדיבור של קול, ולא אילוץ נוקשה לגבי השפות שבהן הוא יכול לדבר. יש לבדוק קולות מועמדים מול השפות וההגיות שבהן האפליקציה שלך נתקלת בפועל, במקום להניח שקול המסומן כגרמני הוא הבחירה הנכונה לקלט בגרמנית.

ההגדרה שלא ניתן לשנות באמצע השיחה.הקול הוא הגדרת אתחול. אתה מקצה audio.output.voice/ כאשר אתה יוצר את הסשן, וכדי לשנות אותו אתה מתחיל סשן חדש. פורקים יורשים את המודל, ההוראות המקוריות והקלט של סשן המקור, כך שהשוואה בין שני קולות פירושה יצירת שני סשנים מאותה תצורה ולא החלפה בתוך סשן אחד. אם אתה עורך בדיקות A/B של קולות מול משתמשים אמיתיים, המשמעות היא שני מפעלי סשנים, ולא סשן אחד עם דגל — וזה אומר שכל השוואה עולה זמן סשן מלא בשני הזרועות.

היכן יושב ה-backend, ולמה זהו החצי הזול יותר של ההחלטה

הקול הוא החצי של מפגש Live שהמשתמשים שומעים. החצי השני הוא האצלה: G​PT-Live מקשיב ומדבר בזמן שמודל או סוכן backend מבצע את החשיבה ואת עבודת הכלים, ושימוש ב-backend מחויב בנפרד בתעריפים רגילים. הנחיות העלויות של O​penAI עצמה מציגות את החשבון בצורה בוטה — כל זמן המפגש הפעיל מחויב, כולל בזמן שה-backend עובד, ושימוש במודל backend מהיר יותר עם קריאות כלים במקביל, כך שהמשתמש מסיים דקה מוקדם יותר, חוסך 0.05 דולר בעלויות הקול. תעריף הקול קבוע לדקה; ה-backend הוא החוגה.

זה המקום שבו ראוטר מצדיק את קיומו במקום להיות מוברג מבחוץ. האצלת לקוח מאפשרת לך לכוון סשן של G​PT-Live אל הסוכן, מערכת ההרצה או השירות שלך — מה שאומר שה-backend המואצל יכול להיות כל מודל, והגרסה השימושית של "כל מודל" היא מפתח אחד ונקודת קצה אחת במקום חוזה נפרד לכל ספק. OrcaRouter מעמידה יותר מ-200 מודלים במחיר המחירון של הספקים, בלי תוספת, כך שהורדת מחיר ב-backend מגיעה אליך באותו יום שבו היא נוחתת, ומעבר אוטומטי לגיבוי מכסה ספק שנקלע ליום רע בלי שהמשתמש ישמע על כך. ה-DSL של הניתוב מאפשר לך להרכיב את שלב החשיבה מכמה מודלים במקום להמר את כל השיחה על מודל אחד — וזו בדיוק הצורה הרצויה ל-backend מואצל שצריך לענות בתוך תקציב ההשהיה של שיחה חיה.

גבול אחד שיש להצהיר עליו בבירור: OrcaRouter אינו מארח את G​PT-Live-1, ושום דבר בגרסה הזו לא משנה זאת. תפקידו של הראוטר בארכיטקטורת Live נמצא מאחורי גבול ההאצלה, ולא לפני הקול.

מה לעשות השבוע

אם אתם כבר משיקים מוצר Live עם קול מוגדר מראש, תשע התוספות הן כרטיס חופשי לבדוק אם המשתמשים שלכם שאינם דוברי אנגלית מקבלים שירות בפועל — החליפו את הקול בחלק מהסשנים והקשיבו, בזוכרכם שההחלפה עולה לכם סשן חדש לכל זרוע.

אם נתקעתם בנושא התאמה למותג, עכשיו שווה להקדיש יום לניסויים ב-prompt-to-voice, עם הסתייגות אחת שתנשך בהמשך: התייחסו לטקסט התיאור כארטיפקט בנייה. נהלו לו גרסאות, שמרו את המזהה המוחזר לצידו, והניחו שתצטרכו ליצור אותו מחדש — כי עם מגבלה של 100 קולות לארגון ובלי תצוגה מקדימה בזמן היצירה, הקול שאהבתם ביום שלישי הוא משהו שתצטרכו להיות מסוגלים לשחזר בכוונה.

ואם אתה בונה את כל המערכת ולא רק את הקול, השינוי המשמעותי יותר באוקטובר עשוי להיות זה שאיש לא כתב עליו פוסט בבלוג. יום לפני שהקולות נחתו, GPT-Live קיבל אינטגרציה מובנית עם Decisions — היכולת לפעול כשהמשתמש עדיין באמצע המשפט. קול שמתאים הוא החלטת מוצר. בקאנד שעונה לפני שהמשתמש מסיים לשאול הוא החלטת ארכיטקטורה.

שום דבר מזה אינו היפותטי: כשלי ה-AI המתועדים ותקריות הסוכנים העומדים מאחורי מהדורות כמו זו מרוכזים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות וסימון שנוי במחלוקת.