Suara GPT-Live-1 Kini Menjadi Sesuatu yang Anda Deskripsikan: Prompt-to-Voice Rilis dan Sembilan Preset Internasional Hadir

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.

Berikut adalah apa yang sebenarnya dirilis, berapa biayanya, dan dua asimetri dalam daftar suara baru yang tidak disebutkan oleh catatan peluncuran mana pun.

Isi rilis 16 Oktober

Dua hal, keduanya dikaitkan dengan gpt-live-1/ model dan dengan dua endpoint — v1/audio/voices/ dan 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.

• Sembilan suara natural baru — Nuri, Juni, dan Flitz (Jerman); Brise dan Sillage (Prancis); Nira (Hindi); Harema dan Shida (Jepang); Noeul (Korea).

• 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.

Panggilan API adalah satu POST, dan bentuknya memberi tahu Anda apa yang sedang dilakukan model.

Anda mengirim JSON ke /v1/audio/voices/ dengan type: "prompt"/, sebuah name/, prompt/ deskripsi, dan "model": "auto"/. Opsional script_hint/ hingga 2.000 karakter menyediakan contoh ucapan untuk memandu pembuatan; biarkan kosong dan layanan akan menulis skripnya sendiri, meskipun skrip kosong atau sangat pendek akan ditolak.

Respons tidak berisi audio. Ini hanya mengembalikan metadata — sebuah tipe objek, sebuah id/, name/, created_at/ dalam detik Unix, type/, dan prompt asli Anda. Itu adalah pilihan desain yang disengaja dengan konsekuensi praktis: tidak ada yang bisa dipratinjau saat pembuatan, jadi Anda mengujinya seperti Anda akan menggunakannya, yang ditagih sebagai satu sesi. Setiap permintaan menyimpan suara yang benar-benar baru, jadi simpan ID dan deskripsi bersama-sama — deskripsi adalah satu-satunya catatan tentang apa yang Anda minta.

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.

Itu adalah trade-off yang nyata. Slider dapat direproduksi; kalimat tidak. Dua tim yang menulis paragraf deskripsi yang sama bisa saja tidak menghasilkan suara yang sama, dan dokumentasinya menyatakan secara terang-terangan bahwa suara yang dihasilkan tidak dijamin unik. Simpan teks prompt dalam kontrol versi dengan cara yang sama seperti Anda menyimpan system prompt Anda.

Batasan yang layak diperhitungkan dalam desain

• 100 suara yang dihasilkan oleh prompt per organisasi. Batas ini juga berlaku untuk pelanggan Anda, jadi jika Anda menghasilkan satu suara per pengguna akhir, 100 adalah batas maksimum untuk seluruh basis tenant Anda, bukan jatah per akun.

• 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.

• Tidak dapat digunakan dengan Zero Data Retention. Pembuatan suara melalui /v1/audio/voices/, termasuk jalur perekaman, dikecualikan.

• Hanya untuk orang dewasa, dan tidak ada imitasi. Suara anak-anak tidak diperbolehkan, dan panduannya adalah menggambarkan kualitas alih-alih menyebut orang atau karakter nyata.

• Suara berbasis rekaman adalah jalur terpisah yang lebih ketat — maksimum 20 per organisasi, sampel berdurasi 30 detik atau kurang dalam format mpeg, wav, ogg, aac, flac, webm, atau mp4, setidaknya lima detik ucapan nyata dan lima belas token yang ditranskripsikan, unggahan dibatasi maksimal 10 MiB, dengan rekaman persetujuan yang diwajibkan.

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.

Daftar preset lengkap, dan di mana daftar itu masih kurang

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:

• Inggris — enam warna regional, bukan satu. Quartz dan Ripple berasal dari Australia; Vesper berasal dari Britania; Willow dan Stone berasal dari Irlandia; Gleam dan Meridian berasal dari Amerika Utara; Beacon berasal dari Filipina; Delta dan Cinder berasal dari AS Selatan. Empat di antaranya ditandai sebagai Dihasilkan, bukan Alami.

• Portugis — Bossa dan Tempo, keduanya dari Brasil, keduanya Natural.

• Jerman — Nuri, Juni dan Flitz. Dua feminin, satu maskulin.

• Prancis — Brise dan Sillage. Satu feminin, satu maskulin.

• Jepang — Harema dan Shida. Satu feminin, satu maskulin.

• Hindi — Nira. Hanya feminin.

• Korea — Noeul. Khusus feminin.

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.

Panduan ini juga menyoroti sesuatu yang mudah salah dibaca: "pengaruh regional" menggambarkan gaya bicara suatu suara, bukan batasan tegas tentang bahasa yang dapat diucapkannya. Uji suara kandidat terhadap bahasa dan pengucapan aktual yang ditemui aplikasi Anda, alih-alih berasumsi bahwa suara berlabel Jerman adalah pilihan yang tepat untuk input bahasa Jerman.

Pengaturan yang tidak dapat Anda ubah di tengah panggilan. Voice adalah pengaturan saat startup. Anda menetapkan audio.output.voice/ saat Anda membuat sesi, dan untuk mengubahnya Anda memulai sesi baru. Fork mewarisi model, instruksi asli, dan input dari sesi sumber, jadi membandingkan dua suara berarti membuat dua sesi dari konfigurasi yang sama alih-alih beralih di dalam satu sesi. Jika Anda melakukan A/B testing suara terhadap pengguna nyata, itu berarti dua factory sesi, bukan satu sesi dengan flag — dan itu berarti setiap perbandingan memakan waktu sesi penuh di kedua kelompok.

Di mana backend berada, dan mengapa itu adalah separuh keputusan yang lebih murah

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.

Apa yang harus dilakukan minggu ini

Jika Anda sudah merilis produk Live dengan suara preset, sembilan tambahan tersebut adalah kesempatan gratis untuk menguji apakah pengguna non-Inggris Anda benar-benar terlayani — tukar suara pada sebagian kecil sesi dan dengarkan, sambil mengingat bahwa penukaran itu memerlukan satu sesi baru per arm.

Jika Anda terhalang oleh kesesuaian merek, prompt-to-voice kini layak untuk dicoba selama sehari, dengan satu peringatan yang akan berdampak nanti: perlakukan teks deskripsi sebagai artefak build. Beri versi, simpan ID yang dikembalikan di sampingnya, dan anggap Anda akan perlu membuat ulang — karena dengan batas organisasi 100 suara dan tanpa pratinjau saat pembuatan, suara yang Anda sukai pada hari Selasa adalah sesuatu yang harus dapat Anda buat ulang dengan sengaja.

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.

Tidak ada satu pun dari itu yang hipotetis: kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.