As Vozes do GPT-Live-1 Agora São Algo Que Você Descreve: Prompt-to-Voice Chega e Nove Presets Internacionais Desembarcam

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.

Eis o que realmente foi lançado, quanto custa, e as duas assimetrias na nova lista de vozes que nenhuma nota de lançamento menciona.

O que contém a versão de 16 de outubro

Duas coisas, ambas associadas ao modelo gpt-live-1/ e a dois endpoints — 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 novas vozes naturais — Nuri, Juni e Flitz (alemão); Brise e Sillage (francês); Nira (hindi); Harema e Shida (japonês); 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.

A chamada de API é um único POST, e seu formato diz o que o modelo está fazendo.

Você envia JSON para /v1/audio/voices/ com type: "prompt"/, um name/, o prompt/ descrição, e "model": "auto"/. Um script_hint/ opcional de até 2.000 caracteres fornece fala de exemplo para orientar a geração; deixe-o de fora e o serviço escreve o roteiro sozinho, embora roteiros em branco ou muito curtos sejam rejeitados.

A resposta não contém áudio. Ela retorna apenas metadados — um tipo de objeto, um id/, o name/, um created_at/ em segundos Unix, o type/, e o seu prompt original. Isso é uma escolha de design deliberada com uma consequência prática: não há nada para pré-visualizar no momento da criação, então você o testa da maneira como o usaria, o que é cobrado como uma sessão. Cada solicitação salva uma voz totalmente nova, então mantenha o ID e a descrição juntos — a descrição é o único registro do que você pediu.

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.

Isso é um trade-off real. Um slider é reproduzível; uma frase não é. Duas equipes escrevendo o mesmo parágrafo de descrição podem não obter a mesma voz, e a documentação diz explicitamente que vozes geradas não têm garantia de serem únicas. Mantenha o texto do prompt sob controle de versão da mesma forma que você mantém seu prompt de sistema.

Os limites em torno dos quais vale a pena projetar

• 100 vozes geradas por prompt por organização. O limite também se aplica aos seus clientes, então, se você estiver gerando uma voz por usuário final, 100 é o teto em toda a sua base de tenants, e não uma cota por conta.

• 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.

• Não utilizável com Zero Data Retention. A criação de voz através de /v1/audio/voices, incluindo o percurso de gravação, está excluída.

• Apenas adultos, e sem imitação. Não são permitidas vozes de crianças, e a orientação é descrever qualidades em vez de nomear uma pessoa ou personagem real.

• Vozes baseadas em gravação são um caminho separado e mais restrito — no máximo 20 por organização, amostras de 30 segundos ou menos em mpeg, wav, ogg, aac, flac, webm ou mp4, pelo menos cinco segundos de fala real e quinze tokens transcritos, uploads limitados a 10 MiB, com uma gravação de consentimento obrigatória.

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.

A lista completa de presets, e onde ela é escassa

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:

• Inglês — seis cores regionais, não uma. Quartz e Ripple são australianas; Vesper é britânica; Willow e Stone são irlandesas; Gleam e Meridian são norte-americanas; Beacon é filipina; Delta e Cinder são do Sul dos EUA. Quatro delas estão marcadas como Geradas, em vez de Naturais.

• Português — Bossa e Tempo, ambos brasileiros, ambos naturais.

• Alemão — Nuri, Juni e Flitz. Dois femininos, um masculino.

• Francês — Brise e Sillage. Um feminino, um masculino.

• Japonês — Harema e Shida. Um feminino, um masculino.

• Hindi — Nira. Apenas feminino.

• Coreano — Noeul. Apenas feminino.

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.

O guia também destaca algo fácil de interpretar mal: “influência regional” descreve o estilo de fala de uma voz, não uma restrição rígida sobre quais idiomas ela pode falar. Teste vozes candidatas com os idiomas e as pronúncias reais que seu aplicativo encontra, em vez de presumir que uma voz rotulada como alemã seja a escolha certa para entrada em alemão.

A configuração que você não pode alterar durante a chamada. Voz é uma configuração de inicialização. Você atribui audio.output.voice/ quando você cria a sessão, e para alterá-la você inicia uma nova sessão. Os forks herdam o modelo, as instruções originais e a entrada da sessão de origem, então comparar duas vozes significa criar duas sessões a partir da mesma configuração em vez de alternar dentro de uma. Se você estiver fazendo teste A/B de vozes com usuários reais, isso significa duas fábricas de sessão, não uma sessão com um sinalizador — e significa que cada comparação custa o tempo total de sessão em ambos os braços.

Onde o backend fica, e por que essa é a metade mais barata da decisão

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.

O que fazer esta semana

Se você já lançou um produto Live com uma voz predefinida, as nove adições são um passe livre para testar se seus usuários que não falam inglês estão realmente sendo atendidos — troque a voz em uma fração das sessões e ouça, lembrando que a troca custa uma nova sessão por braço.

Se você ficou bloqueado por questões de fit de marca, o prompt-to-voice agora vale um dia de experimentação, com uma ressalva que vai cobrar seu preço mais tarde: trate o texto da descrição como um artefato de build. Versione-o, mantenha o ID retornado ao lado dele e assuma que você precisará regenerá-lo — porque, com um limite de 100 vozes por organização e nenhuma pré-visualização no momento da criação, a voz de que você gostou na terça-feira é algo que você terá de conseguir recriar de propósito.

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.

Nada disso é hipotético: as falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz as suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.