Le voci di GPT-Live-1 ora sono qualcosa che descrivi: Prompt-to-Voice è disponibile e arrivano nove preset internazionali

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.

Ecco ciò che è stato effettivamente rilasciato, quanto costa e le due asimmetrie nel nuovo elenco delle voci che nessuna nota di lancio menziona.

Cosa contiene la release del 16 ottobre

Due cose, entrambe associate al gpt-live-1/ modello e a due endpoint — v1/audio/voices/ e 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.

• Nove nuove voci naturali — Nuri, Juni e Flitz (tedesco); Brise e Sillage (francese); Nira (hindi); Harema e Shida (giapponese); 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 chiamata API è un'unica POST, e la sua struttura ti dice cosa sta facendo il modello

Invii JSON a /v1/audio/voices/ con type: "prompt", un nome, la descrizione del prompt e "model": "auto". Un script_hint facoltativo di massimo 2.000 caratteri fornisce un esempio di parlato per guidare la generazione; se lo ometti, il servizio scrive da sé lo script, anche se gli script vuoti o molto brevi vengono rifiutati.

La risposta non contiene audio. Restituisce solo metadati — un tipo di oggetto, un id/, il campo name/, un created_at/ in secondi Unix, il campo type/, e il tuo prompt originale. Si tratta di una scelta progettuale deliberata con una conseguenza pratica: non c'è nulla da ascoltare in anteprima al momento della creazione, quindi lo provi nello stesso modo in cui lo useresti, il che viene fatturato come una sessione. Ogni richiesta salva una voce nuova di zecca, quindi tieni insieme l'ID e la descrizione — la descrizione è l'unico registro di ciò che hai richiesto.

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.

Questo è un vero compromesso. Uno slider è riproducibile; una frase no. Due team che scrivono lo stesso paragrafo di descrizione potrebbero non ottenere la stessa voce, e la documentazione dice apertamente che le voci generate non sono garantite uniche. Tieni il testo del prompt sotto controllo di versione nello stesso modo in cui tieni il tuo prompt di sistema.

I limiti attorno ai quali vale la pena progettare

• 100 voci generate da prompt per organizzazione. Il limite si applica anche ai tuoi clienti, quindi se stai generando una voce per utente finale, 100 è il tetto massimo per l'intera base tenant, non una quota per account.

• 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 utilizzabile con Zero Data Retention. La creazione vocale tramite /v1/audio/voices/, incluso il percorso di registrazione, è esclusa.

• Solo adulti, e nessuna imitazione. Le voci dei bambini non sono consentite, e l'indicazione è di descrivere qualità anziché nominare una persona o un personaggio reale.

• Le voci basate su registrazioni seguono un percorso separato e più restrittivo — un massimo di 20 per organizzazione, campioni di 30 secondi o meno in mpeg, wav, ogg, aac, flac, webm o mp4, almeno cinque secondi di parlato reale e quindici token trascritti, caricamenti limitati a 10 MiB, con obbligo di registrazione del consenso.

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.

L'elenco completo dei preset e dove è carente

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:

• Inglese — sei colori regionali, non uno. Quartz e Ripple sono australiani; Vesper è britannico; Willow e Stone sono irlandesi; Gleam e Meridian sono nordamericani; Beacon è filippino; Delta e Cinder sono del Sud degli Stati Uniti. Quattro di questi sono contrassegnati come Generati anziché Naturali.

• Portoghese — Bossa e Tempo, entrambi brasiliani, entrambi Natural.

• Tedesco — Nuri, Juni e Flitz. Due femminili, uno maschile.

• Francese — Brise e Sillage. Uno femminile, uno maschile.

• Giapponese — Harema e Shida. Uno femminile, uno maschile.

• Hindi — Nira. Solo femminile.

• Coreano — Noeul. Solo femminile.

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 guida segnala anche qualcosa che è facile interpretare male: "influenza regionale" descrive lo stile di parlato di una voce, non un vincolo rigido sulle lingue che può parlare. Metti alla prova le voci candidate rispetto alle lingue e alle pronunce effettive che la tua app incontra, invece di dare per scontato che una voce etichettata come tedesca sia la scelta giusta per input in tedesco.

L'impostazione che non puoi cambiare durante la chiamata.La voce è un'impostazione di avvio. La assegni audio.output.voice/ quando crei la sessione, e per cambiarla ne avvii una nuova. I fork ereditano il modello, le istruzioni originali e l'input della sessione di origine, quindi confrontare due voci significa creare due sessioni dalla stessa configurazione anziché cambiare all'interno di una sola. Se stai facendo A/B testing delle voci con utenti reali, ciò significa due factory di sessione, non una sessione con un flag — e significa che ogni confronto costa l'intera durata della sessione su entrambi i rami.

Dove si colloca il backend, e perché quella è la metà più economica della decisione

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.

Cosa fare questa settimana

Se già distribuisci un prodotto Live con una voce preimpostata, le nove aggiunte sono un lasciapassare gratuito per verificare se i tuoi utenti non anglofoni vengono davvero serviti — cambia la voce su una frazione di sessioni e ascolta, ricordando che il cambio ti costa una nuova sessione per braccio.

Se eri bloccato sull'aderenza al brand, prompt-to-voice ora vale una giornata di sperimentazione, con un'avvertenza che si farà sentire più tardi: considera il testo della descrizione come un artefatto di build. Versionarlo, conserva l'ID restituito accanto ad esso e dai per scontato che dovrai rigenerare — perché con un limite di 100 voci per organizzazione e nessuna anteprima al momento della creazione, la voce che ti piaceva martedì è qualcosa che dovrai essere in grado di ricreare di proposito.

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.

Niente di tutto ciò è ipotetico: i fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.