GPT-Live-1のボイスは今や説明するものへ：Prompt-to-Voiceが登場、9つの国際プリセットも到着

年の大半を通じて、声を選ぶ先がG​PT-Live-1の場合、それは文字列を選ぶことを意味していた。リストを読み、audio.output.voice/ をセッション開始時にそのいずれかに設定し、どれも自分が作っているブランドに合わなければ、最も近いものを選んで出荷していた。それが変わったのは2026年10月16日、OpenAIがすべてのAPI顧客にprompt-to-voiceを公開し、英語以外の5つの市場向けに9つのナチュラルボイスを追加したときだった。新機能は紙の上では小さい——エンドポイントが1つ、呼び出しは無料——が、ほとんどの音声製品が下す最初の決定を覆す。さらにこれは、G​PT-Live-1.1が同じLiveセッション内でネイティブのDecisions統合を獲得した翌日に登場する。これが重要なのは、2つの変更が逆方向に働くからだ。一方は声をよりオーダーメイドにし、もう一方は声の背後にあるものをより能動的にする。

実際に出荷された内容、そのコスト、そして新しい音声リストにある2つの非対称性——どのローンチノートも触れていない。

10月16日のリリースに含まれるもの

2つのものはどちらも、以下にタグ付けされています: gpt-live-1/ モデルと2つのエンドポイント — v1/audio/voices/ と v1/live/sessions/。

• Prompt-to-voice — テキスト記述からカスタム音声を作成し、API またはボイス Playground を通じて、その後 G​PT-Live セッションで再利用できます。すべての API 顧客向けにリリースされました。

• 新たなナチュラルボイス9種類 — Nuri、Juni、Flitz（ドイツ語）；Brise、Sillage（フランス語）；Nira（ヒンディー語）；Harema、Shida（日本語）；Noeul（韓国語）。

• コスト — プロンプト生成音声の作成は無料です。これを使用すると、音声合成は通常の G​PT-Live セッション料金で行われ、Playground で試聴すると、課金上は通常のセッションとしてカウントされます。

• その1日前、10月15日 — GPT-Live におけるネイティブな Decisions 統合。これにより、アプリはユーザーがまだ話している間にアクションを実行したり、Live の発言に反応したりできる。ネイティブ委譲またはトランスクリプト差分を介して。

それらの数字を読み解けるようにする料金の前提: G​PT-Live-1 の音声セッションは 1 分あたり $0.05 で、秒単位で課金され、切り上げは行われません。この料金体系は今回のリリースでは変わっておらず、prompt-to-voice のどの部分もそれを変えません。

API呼び出しは1回のPOSTであり、その形を見ればモデルが何をしているかがわかります

JSON を /v1/audio/voices/ に送信し、type: "prompt"、name、promptの説明、および "model": "auto" を指定します。任意の script_hint（最大2,000文字）は、生成を誘導するための例示音声を提供します。省略した場合、サービスがスクリプト自体を作成しますが、空または非常に短いスクリプトは拒否されます。

レスポンスには音声が含まれていません。メタデータのみを返します — オブジェクト型、id、name、created_at（Unix秒）、type、そして元のプロンプトです。これは意図的な設計上の選択であり、実用的な結果を伴います。作成時にプレビューできるものは何もないため、実際に使うのと同じ方法で試聴することになり、これは1セッションとして課金されます。リクエストごとにまったく新しい音声が保存されるので、IDと説明は一緒に保管してください — 説明は、あなたが何を求めたかを記録する唯一のものです。

制御可能な特性はすべて、個別のパラメータとしてではなく、通常の言語として表現される。アクセント、年齢、伝え方、ピッチ、音色、質感、音量、話速、際立ちである。OpenAI自身の例には、「アメリカ英語で、強いアクセント」と表現されたアクセントや、「中程度のペース」と表現されたペースが含まれる。画面上のどこにも数値の韻律スライダーは存在せず、つまり、プロンプトがAPIなのだ。

それは実際のトレードオフです。スライダーは再現可能ですが、文章はそうではありません。2つのチームが同じ説明文の段落を書いても、同じボイスになるとは限りません。ドキュメントには、生成されるボイスが一意であることは保証されないとはっきり書かれています。プロンプトテキストは、システムプロンプトと同じようにバージョン管理下に置いてください。

設計の基準とすべき限界

• 組織あたり100個のプロンプト生成ボイス。この上限はお客様にも適用されるため、エンドユーザーごとにボイスを生成する場合、100はテナント全体の上限であり、アカウントごとの許容量ではありません。

• G​PT-Live のみ。プロンプトで生成された音声は、Text to Speech、Realtime、Chat Completions の各 API では動作しません。今日あなたが記述する音声は、明日にはバッチナレーションのパイプラインで再利用できない音声です。

• Zero Data Retention では使用できません。/v1/audio/voices/ を通じた音声作成は、録音パスを含め、対象外です。

・成人のみ、模倣は禁止です。子どもの声は使用できません。また、実在の人物やキャラクターの名前を挙げるのではなく、特徴を描写することが推奨されています。

• 録音ベースの音声は別個の、より厳格な経路です — 組織ごとに最大20個、サンプルは30秒以下でmpeg、wav、ogg、aac、flac、webmまたはmp4、少なくとも5秒間の実際の発話と15個の文字起こしトークン、アップロードは10 MiBまで、同意録音が必要です。

100音声の上限とG​PT-Live限定という制約が、アーキテクチャを形作る2つの要因です。顧客ごとに音声を生成するプラットフォームであれば、厳しい上限があり、より安価な音声APIへのフォールバック経路はありません。

プリセットの完全なリストと、それが手薄な箇所

この9つの追加は、OpenAIのLive音声ガイドが現在21種類を掲載しているライブラリに上乗せされるもので、さらにmarin/ がデフォルトとなっています。全体として読むと、このリストはOpenAIが誰に構築を期待しているかについて何かを物語っています：

英語 — 1つではなく6つの地域色。QuartzとRippleはオーストラリアのもの、Vesperはイギリスのもの、WillowとStoneはアイルランドのもの、GleamとMeridianは北米のもの、Beaconはフィリピンのもの、DeltaとCinderは米国南部のものです。そのうち4つはNaturalではなくGeneratedとマークされています。

• ポルトガル語 — BossaとTempo、どちらもブラジル、どちらもナチュラル。

• ドイツ語 — Nuri、Juni、Flitz。女性名が2つ、男性名が1つ。

• フレンチ — BriseとSillage。ひとつはフェミニン、ひとつはマスキュリン。

• 日本語 — ハレマとシダ。一方は女性的、もう一方は男性的。

• ヒンディー語 — Nira。女性形のみ。

• 韓国語 — ノウル。女性名のみ。

そこから二つの非対称性が浮かび上がる。第一に、ドイツ語には3つの音声が用意されているのに対し、フランス語、日本語、ヒンディー語、韓国語にはそれぞれ2つ、2つ、1つ、1つしかない——この配分は、話者人口よりもOpenAIの欧州市場における優先順位を反映している。第二に、ヒンディー語と韓国語にはそれぞれちょうど1つずつの音声しかなく、しかもどちらも女性の音声だ。もしあなたの製品がプリセットライブラリから男性のヒンディー語または韓国語の音声を必要としているなら、そんなものは存在せず、選択肢は録音ベースの音声か、プロンプトで生成した音声のいずれかになる。それこそがまさに、prompt-to-voiceが埋めるためにリリースされたギャップであり、しかも同じ日に登場した——この順序は偶然ではないことを示唆している。

ガイドはまた、誤解しやすい点も指摘しています。「地域的影響」とは、その音声の話し方のスタイルを表すもので、話せる言語を厳しく制約するものではありません。ドイツ語というラベルが付いた音声がドイツ語入力に適した選択肢だと決めつけるのではなく、アプリが実際に出会う言語と発音に対して候補の音声をテストしてください。

通話の途中では変更できない設定。音声は起動時の設定です。セッションを作成するときにaudio.output.voice/ を割り当て、変更するには新しいセッションを開始します。フォークはソースセッションのモデル、元の指示、入力を継承するため、2つの音声を比較するには、1つのセッション内で切り替えるのではなく、同じ設定から2つのセッションを作成する必要があります。実際のユーザーに対して音声のA/Bテストを行う場合、それは1つのセッションにフラグを付けるのではなく2つのセッション・ファクトリを意味し、すべての比較が両方のアームでセッション時間を丸ごと消費することを意味します。

バックエンドがどこに位置するのか、そしてなぜそれがその判断の中でもより安価な半分なのか

音声は、ユーザーが聞くLiveセッションの半分です。もう半分は委任です：G​PT-Liveは聞いて話しますが、バックエンドモデルまたはエージェントが推論とツール作業を行い、バックエンドの使用量は通常料金で別途請求されます。O​penAI自身のコストガイダンスは計算を明快にしています — バックエンドが動作している間も含め、完全なアクティブセッション時間は課金対象であり、並列ツール呼び出しを備えたより高速なバックエンドモデルを使用してユーザーが1分早く終了すると、音声料金で$0.05節約できます。音声料金は1分あたり固定であり、バックエンドが調整つまみです。

そういう場面でこそ、ルーターは後付けではなく真価を発揮する。クライアント委任を使えば、GPT-Live セッションを自前のエージェントやハーネス、サービスに向けられる。つまり委任先のバックエンドはどんなモデルでもよく、「どんなモデルでも」の実用的な形とは、プロバイダごとに契約するのではなく、キー1つとエンドポイント1つで済ませられることだ。OrcaRouter は200以上のモデルを、プロバイダの定価のままマークアップなしで提供している。そのため、バックエンドの値下げはそれが実施されたその日にあなたのもとへ届き、自動フェイルオーバーは、あるプロバイダが不調な午後を過ごしていても、ユーザーに気づかせることなくそれをカバーする。ルーティング DSL を使えば、会話を1つのモデルに賭けるのではなく、推論ステップを複数のモデルから組み立てられる。これは、ライブ会話のレイテンシ予算の中で応答しなければならない委任バックエンドに求められる形だ。

はっきり言っておくべき境界が一つある。OrcaRouterはGPT-Live-1をホストしておらず、今回のリリースでそれが変わることもない。Liveアーキテクチャにおけるルーターの役割は、委譲境界の背後にあり、音声の前面にあるのではない。

今週やること

すでにプリセットボイスで Live 製品を出荷しているなら、その9つの追加は、英語以外のユーザーが実際にサービスを受けられているかをテストするためのフリーパスです — セッションの一部でボイスを差し替えて耳を傾けてみてください。ただし、差し替えにはアームごとに新しいセッションが1つ余分にかかることを忘れないでください。

ブランド適合性で行き詰まっていたなら、今なら prompt-to-voice に1日かけて試す価値がある。ただし、後で効いてくる注意点が1つある。説明テキストをビルド成果物として扱うこと。バージョン管理し、返されたIDをそのそばに置き、再生成が必要になると想定しておくこと——組織ごとの100ボイス上限があり、作成時にプレビューがないのだから、火曜日に気に入った声は、意図的に再現できるようにしておかなければならないものだから。

そして、音声だけでなくシステム全体を構築しているなら、10月のより重大な変化は、誰もブログ記事に書かなかったものかもしれない。音声が登場する前日、G​PT-Live はネイティブの Decisions 統合を手に入れた——ユーザーがまだ文の途中にいるうちに行動できる能力だ。ぴったりの音声はプロダクトの決断。ユーザーが尋ね終える前に答えるバックエンドはアーキテクチャの決断だ。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。