Голоса GPT-Live-1 теперь можно описать словами: Prompt-to-Voice выпускается, а вместе с ним появляются девять международных пресетов

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.

Вот что на самом деле вышло, сколько это стоит и две асимметрии в новом списке голосов, о которых не говорится ни в одной заметке о запуске.

Что содержит релиз от 16 октября

Две вещи, обе привязаны к gpt-live-1/ модели и к двум эндпоинтам — v1/audio/voices/ и 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.

• Девять новых естественных голосов — Nuri, Juni и Flitz (немецкий); Brise и Sillage (французский); Nira (хинди); Harema и Shida (японский); Noeul (корейский).

• 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.

Вызов API — это один POST-запрос, и его структура говорит о том, что делает модель.

Вы отправляете JSON в /v1/audio/voices/ с type: "prompt"/, name/, prompt/ описание, и "model": "auto"/. Необязательный script_hint/ длиной до 2 000 символов предоставляет пример речи для управления генерацией; если его не указать, сервис сам напишет сценарий, хотя пустые или очень короткие сценарии отклоняются.

Ответ не содержит аудио. Он возвращает только метаданные — тип объекта, идентификатор/, имя/, время создания/ в секундах Unix, тип/, и ваш исходный промпт. Это осознанный выбор дизайна с практическим следствием: во время создания нечего предпросматривать, поэтому вы прослушиваете его так, как использовали бы, а это тарифицируется как сессия. Каждый запрос сохраняет совершенно новый голос, поэтому храните идентификатор и описание вместе — описание является единственной записью о том, что вы запросили.

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.

Это настоящий компромисс. Слайдер воспроизводим; предложение — нет. Две команды, пишущие один и тот же абзац описания, могут получить не один и тот же голос, и документация прямо говорит, что сгенерированные голоса не гарантированно уникальны. Держите текст промпта под контролем версий так же, как вы держите свой системный промпт.

Ограничения, которые стоит учитывать при проектировании

• 100 голосов, сгенерированных по промпту, на организацию. Ограничение распространяется и на ваших клиентов, поэтому если вы генерируете голос для каждого конечного пользователя, 100 — это потолок для всей вашей базы арендаторов, а не квота на одну учётную запись.

• 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.

• Недоступно при нулевом хранении данных. Создание голоса через /v1/audio/voices/, в том числе через путь записи, исключено.

• Только для взрослых, и никакой имитации. Голоса детей не допускаются, и рекомендуется описывать качества, а не называть реального человека или персонажа.

• Голоса на основе записей — это отдельный, более строгий путь: не более 20 на организацию, образцы длительностью не более 30 секунд в форматах mpeg, wav, ogg, aac, flac, webm или mp4, не менее пяти секунд реальной речи и пятнадцати транскрибированных токенов, размер загружаемых файлов — не более 10 MiB, при этом требуется запись согласия.

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.

Полный список пресетов и где он недостаточен

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:

• Английский — шесть региональных вариантов, а не один. Quartz и Ripple — австралийские; Vesper — британский; Willow и Stone — ирландские; Gleam и Meridian — североамериканские; Beacon — филиппинский; Delta и Cinder — с юга США. Четыре из них помечены как «сгенерированные», а не «естественные».

• Португальский — Bossa и Tempo, оба бразильские, оба Natural.

• Немецкий — Нури, Юни и Флитц. Два женских, одно мужское.

• Французский — Brise и Sillage. Один женский, один мужской.

• Японский — Харэма и Сида. Одно женское, одно мужское.

• Хинди — Nira. Только женский.

• Корейское — Ноыль. Только женское.

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.

В руководстве также отмечено то, что легко понять неправильно: «региональное влияние» описывает стиль речи голоса, а не жёсткое ограничение на то, на каких языках он может говорить. Проверяйте голоса-кандидаты на тех языках и произношениях, с которыми реально сталкивается ваше приложение, вместо того чтобы предполагать, что голос с пометкой «немецкий» — правильный выбор для немецкого ввода.

Настройка, которую нельзя изменить во время вызова.Голос — это параметр, задаваемый при запуске. Вы задаёте audio.output.voice/ при создании сессии, а чтобы изменить его, вы запускаете новую сессию. Форки наследуют модель исходной сессии, исходные инструкции и входные данные, поэтому сравнение двух голосов означает создание двух сессий из одной и той же конфигурации, а не переключение внутри одной. Если вы проводите A/B-тестирование голосов на реальных пользователях, это означает две фабрики сессий, а не одну сессию с флагом, — и это означает, что каждое сравнение стоит полного времени сессии на обеих ветках.

Где размещается бэкенд и почему это менее затратная половина решения

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.

Что делать на этой неделе

Если вы уже выпускаете Live-продукт с предустановленным голосом, девять дополнений — это бесплатный пропуск, позволяющий проверить, действительно ли ваши неанглоязычные пользователи получают обслуживание: замените голос на части сессий и слушайте, помня, что замена стоит вам одной новой сессии на каждую ветвь.

Если вы застряли на соответствии бренду, prompt-to-voice теперь стоит того, чтобы потратить день на эксперименты, с одной оговоркой, которая позже аукнется: относитесь к тексту описания как к артефакту сборки. Версионируйте его, храните возвращённый ID рядом с ним и исходите из того, что вам придётся генерировать заново — потому что при лимите в 100 голосов на организацию и отсутствии предпросмотра при создании голос, который вам понравился во вторник, — это то, что вы должны будете уметь осознанно воссоздать.

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.

Ничего из этого не гипотетично: задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, класс уверенности и флаг оспаривания.