Głosy GPT-Live-1 są teraz czymś, co opisujesz: Prompt-to-Voice jest już dostępny, a dziewięć międzynarodowych presetów debiutuje.

Przez większość roku wybór głosu dla GPT-Live-1 oznaczał wskazanie ciągu znaków. Czytało się listę, ustawiało audio.output.voice/ na jedną z wartości na starcie sesji, a jeśli żadna nie pasowała do budowanej marki, wypuszczało się produkt z tą najbliższą. Zmieniło się to 16 października 2026 r., kiedy OpenAI udostępniło prompt-to-voice wszystkim klientom API i dodało dziewięć naturalnych głosów skierowanych na pięć rynków nieanglojęzycznych. Nowa funkcja jest niewielka na papierze — jeden endpoint, darmowy w wywołaniu — a przepisuje najwcześniejszą decyzję, jaką podejmuje większość produktów głosowych. Wchodzi też dzień po tym, jak GPT-Live-1.1 zyskało natywną integrację z Decisions w tych samych sesjach Live, co ma znaczenie, bo obie zmiany ciągną w przeciwnych kierunkach: jedna czyni głos bardziej szytym na miarę, druga sprawia, że to, co stoi za głosem, jest bardziej aktywne.

Oto co faktycznie trafiło do sprzedaży, ile to kosztuje, oraz dwie asymetrie na nowej liście głosów, o których nie wspomina niczyja notatka o premierze.

Co zawiera wydanie z 16 października

Dwie rzeczy, obie przypisane do modelu gpt-live-1/ i do dwóch punktów końcowych — v1/audio/voices/ i v1/live/sessions/.

• Prompt-to-voice — utwórz niestandardowy głos na podstawie opisu tekstowego, przez API lub voice Playground, a następnie używaj go ponownie w sesjach GPT-Live. Udostępnione wszystkim klientom API.

• Dziewięć nowych naturalnych głosów — Nuri, Juni i Flitz (niemiecki); Brise i Sillage (francuski); Nira (hindi); Harema i Shida (japoński); Noeul (koreański).

• Koszt — utworzenie głosu wygenerowanego na podstawie promptu jest bezpłatne. Użycie go powoduje syntezę mowy według standardowych stawek sesji G​PT-Live, a przesłuchanie go w Playground liczy się jako zwykła sesja w rozliczeniach.

• Dzień wcześniej, 15 października — natywna integracja Decisions w GPT-Live, dzięki czemu aplikacja może działać, gdy użytkownik jeszcze mówi, lub reagować na to, co mówi Live, poprzez natywne delegowanie lub delty transkrypcji.

Kontekst cenowy, który czyni te liczby zrozumiałymi: sesja głosowa G​PT-Live-1 kosztuje 0,05 USD za minutę, jest rozliczana za sekundę i nie jest zaokrąglana w górę. Ta pozycja pozostaje niezmieniona w tym wydaniu, a żadna część prompt-to-voice jej nie zmienia.

Wywołanie API to jeden POST, a jego kształt mówi, co robi model.

Wysyłasz JSON do /v1/audio/voices/ z type: "prompt", nazwą, opisem prompt i "model": "auto". Opcjonalny script_hint o długości do 2000 znaków dostarcza przykładową mowę, aby pokierować generowaniem; jeśli go pominiesz, usługa sama napisze skrypt, choć puste lub bardzo krótkie skrypty są odrzucane.

Odpowiedź nie zawiera dźwięku. Zwraca tylko metadane — typ obiektu, id, name, created_at w sekundach uniksowych, type, oraz Twój oryginalny prompt. To celowa decyzja projektowa z praktyczną konsekwencją: nie ma nic do podglądu w momencie tworzenia, więc odsłuchujesz go tak, jakbyś go używał, co jest rozliczane jako sesja. Każde żądanie zapisuje zupełnie nowy głos, więc trzymaj ID i opis razem — opis jest jedynym zapisem tego, o co prosiłeś.

Wszystkie cechy, którymi można sterować, są wyrażane zwykłym językiem, a nie jako osobne parametry: akcent, wiek, prezentacja, wysokość tonu, barwa, tekstura, głośność, tempo mowy i wyrazistość. Własne przykłady OpenAI obejmują akcent sformułowany jako „angielski amerykański, z silnym akcentem” oraz tempo sformułowane jako „średnie tempo”. W interfejsie nie ma nigdzie numerycznego suwaka prozodii, co oznacza, że prompt jest API.

To prawdziwy kompromis. Suwak jest powtarzalny; zdanie nie. Dwa zespoły piszące ten sam akapit opisu mogą nie uzyskać tego samego głosu, a dokumentacja wprost mówi, że wygenerowane głosy nie mają gwarancji bycia unikalnymi. Tekst promptu trzymaj pod kontrolą wersji tak samo, jak swój prompt systemowy.

Granice warte uwzględnienia w projektowaniu

• 100 głosów generowanych na podstawie promptów na organizację. Limit dotyczy również Twoich klientów, więc jeśli generujesz głos dla każdego użytkownika końcowego, 100 to maksimum dla całej bazy dzierżawców, a nie przydział na konto.

• Tylko GPT-Live. Głosy generowane przez prompt nie działają z interfejsami API Text to Speech, Realtime ani Chat Completions. Głos, który opiszesz dzisiaj, to głos, którego nie możesz ponownie użyć jutro w potoku narracji wsadowej.

• Niedostępne w przypadku Zero Data Retention. Tworzenie głosu przez /v1/audio/voices/, w tym ścieżka nagrywania, jest wykluczone.

• Tylko dla dorosłych, bez naśladowania. Głosy dzieci są niedozwolone, a wytyczne mówią, aby opisywać cechy, a nie podawać imienia prawdziwej osoby lub postaci.

• Głosy oparte na nagraniach mają oddzielną, bardziej rygorystyczną ścieżkę — maksymalnie 20 na organizację, próbki trwające 30 sekund lub krócej w formatach mpeg, wav, ogg, aac, flac, webm lub mp4, co najmniej pięć sekund rzeczywistej mowy i piętnaście transkrybowanych tokenów, przesyłane pliki o rozmiarze do 10 MiB, a także wymagane nagranie zgody.

Limit 100 głosów i ograniczenie wyłącznie do GPT-Live to dwa czynniki, które kształtują architekturę. Jeśli jesteś platformą generującą głos dla każdego klienta, masz twardy limit i brak ścieżki awaryjnej do tańszych API syntezy mowy.

Pełna lista presetów i gdzie jest ona uboga

Dziewięć dodatków trafia do biblioteki, która według przewodnika OpenAI po Live voice liczy obecnie dwadzieścia jeden pozycji, a do tego marin/ jako domyślny. Czytana jako całość, lista mówi coś o tym, kto według OpenAI będzie budował:

• angielski — sześć regionalnych odcieni, a nie jeden. Quartz i Ripple są australijskie; Vesper jest brytyjski; Willow i Stone są irlandzkie; Gleam i Meridian są północnoamerykańskie; Beacon jest filipiński; Delta i Cinder są z południa USA. Cztery z nich są oznaczone jako wygenerowane, a nie naturalne.

• Portugalski — Bossa i Tempo, oba brazylijskie, oba Natural.

• Niemiecki — Nuri, Juni i Flitz. Dwa żeńskie, jedno męskie.

• Francuski — Brise i Sillage. Jeden damski, jeden męski.

• Japońskie — Harema i Shida. Jedno żeńskie, jedno męskie.

• Hindi — Nira. Tylko żeńska.

• Koreańskie — Noeul. Tylko żeńskie.

Wynikają z tego dwie asymetrie. Po pierwsze, niemiecki otrzymuje trzy głosy, podczas gdy francuski, japoński, hindi i koreański otrzymują dwa, dwa, jeden i jeden — przydział, który bardziej odzwierciedla europejskie priorytety rynkowe O​penAI niż liczebność populacji mówiących. Po drugie, hindi i koreański mają dokładnie po jednym głosie, i oba są żeńskie. Jeśli Twój produkt potrzebuje męskiego głosu w języku hindi lub koreańskim z biblioteki presetów, takiego nie ma, a Twoje opcje to głos oparty na nagraniu albo wygenerowany na podstawie promptu. To dokładnie ta luka, którą prompt-to-voice miał wypełnić, pojawiając się tego samego dnia — co sugeruje, że ta kolejność nie jest przypadkiem.

Przewodnik zwraca też uwagę na coś, co łatwo błędnie odczytać: „wpływy regionalne” opisują styl mówienia danego głosu, a nie twarde ograniczenie języków, którymi może mówić. Testuj głosy-kandydatów pod kątem rzeczywistych języków i wymowy, z którymi spotyka się Twoja aplikacja, zamiast zakładać, że głos oznaczony jako niemiecki jest właściwym wyborem dla niemieckich danych wejściowych.

Ustawienie, którego nie możesz zmienić w trakcie rozmowy.Głos to ustawienie startowe. Przypisujesz audio.output.voice/ przy tworzeniu sesji, a aby go zmienić, uruchamiasz nową sesję. Forki dziedziczą model sesji źródłowej, oryginalne instrukcje i dane wejściowe, więc porównanie dwóch głosów oznacza utworzenie dwóch sesji z tej samej konfiguracji, a nie przełączanie się w obrębie jednej. Jeśli testujesz głosy metodą A/B na prawdziwych użytkownikach, oznacza to dwie fabryki sesji, a nie jedną sesję z flagą — i oznacza, że każde porównanie kosztuje pełny czas sesji w obu ramionach.

Gdzie ulokowany jest backend i dlaczego to tańsza połowa tej decyzji

Głos to połowa sesji Live, którą słyszą użytkownicy. Drugą połową jest delegacja: GPT-Live słucha i mówi, podczas gdy model backendowy lub agent wykonuje rozumowanie i pracę z narzędziami, a korzystanie z backendu jest rozliczane osobno według standardowych stawek. Własne wytyczne OpenAI dotyczące kosztów sprawiają, że arytmetyka jest bezlitosna — pełny aktywny czas sesji podlega rozliczeniu, w tym gdy backend pracuje, a użycie szybszego modelu backendowego z równoległymi wywołaniami narzędzi, dzięki czemu użytkownik kończy o minutę wcześniej, oszczędza 0,05 USD na opłatach za głos. Stawka za głos jest stała za minutę; backend jest pokrętłem.

To tutaj router zasługuje na swoje miejsce, zamiast być doklejonym na siłę. Delegowanie po stronie klienta pozwala wskazać sesji G​PT-Live własnego agenta, harness lub usługę — co oznacza, że delegowany backend może być dowolnym modelem, a użyteczna wersja „dowolnego modelu” to jeden klucz i jeden endpoint zamiast osobnej umowy dla każdego dostawcy. OrcaRouter obsługuje ponad 200 modeli w cenach katalogowych dostawców, bez marży, więc obniżka ceny backendu dociera do Ciebie tego samego dnia, w którym zostaje wprowadzona, a automatyczne przełączanie awaryjne pokrywa sytuację, gdy dostawca ma gorszy dzień, tak że użytkownik niczego nie zauważy. DSL routingu pozwala złożyć krok rozumowania z kilku modeli, zamiast stawiać całą rozmowę na jednym, co jest właśnie tym kształtem, jakiego potrzebujesz w delegowanym backendzie, który musi odpowiadać w budżecie opóźnień rozmowy na żywo.

Jedną granicę należy jasno określić: OrcaRouter nie hostuje G​PT-Live-1 i nic w tym wydaniu tego nie zmienia. Rola routera w architekturze Live jest za granicą delegacji, a nie przed głosem.

Co robić w tym tygodniu

Jeśli już wprowadziłeś na rynek produkt Live oparty na głosie presetowym, dziewięć dodatków to darmowa okazja, by sprawdzić, czy Twoi nieanglojęzyczni użytkownicy są rzeczywiście obsługiwani — podmień głos w części sesji i posłuchaj, pamiętając, że taka podmiana kosztuje Cię nową sesję na każde ramię testu.

Jeśli blokowała cię zgodność z marką, prompt-to-voice jest teraz wart jednego dnia eksperymentów — z jednym zastrzeżeniem, które da o sobie znać później: traktuj tekst opisu jako artefakt budowania. Wersjonuj go, trzymaj obok zwrócone ID i zakładaj, że będziesz musiał wygenerować go ponownie — bo przy limicie 100 głosów na organizację i braku podglądu w chwili tworzenia, głos, który spodobał ci się we wtorek, to coś, co będziesz musiał umieć odtworzyć celowo.

A jeśli budujesz cały system, a nie tylko głos, istotniejszą październikową zmianą może być ta, o której nikt nie napisał wpisu na blogu. Dzień przed premierą głosów GPT-Live zyskał natywną integrację z Decisions — możliwość działania, gdy użytkownik jest jeszcze w połowie zdania. Głos, który pasuje, to decyzja produktowa. Backend, który odpowiada, zanim użytkownik skończy pytać, to decyzja architektoniczna.

Nic z tego nie jest hipotetyczne: udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w the OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, stopień ważności, ocenę pewności i oznaczenie sporne.