GPT-Live-1-röster är nu något du beskriver: Prompt-to-Voice lanseras och nio internationella förval har landat

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.

Här är vad som faktiskt levererades, vad det kostar, och de två asymmetrierna i den nya röstlistan som ingen lanseringsanteckning tar upp.

Vad versionen från den 16 oktober innehåller

Två saker, båda taggade till gpt-live-1-modellen och till två slutpunkter — v1/audio/voices/ och 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.

• Nio nya naturliga röster — Nuri, Juni och Flitz (tyska); Brise och Sillage (franska); Nira (hindi); Harema och Shida (japanska); Noeul (koreanska).

• 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.

API-anropet är ett enda POST-anrop, och dess utformning talar om för dig vad modellen gör.

Du skickar JSON till /v1/audio/voices/ med type: "prompt"/, ett namn/, prompt/ beskrivningen, och "model": "auto"/. En valfri script_hint/ på upp till 2 000 tecken tillhandahåller exempeltal för att styra genereringen; utelämna den och tjänsten skriver manuset själv, även om tomma eller mycket korta manus avvisas.

Svaret innehåller inget ljud. Det returnerar endast metadata — en objekttyp, ett id/, fältet name/, ett created_at/ i Unix-sekunder, fältet type/, och din ursprungliga prompt. Det är ett medvetet designval med en praktisk konsekvens: det finns inget att förhandsgranska vid skapandet, så du provlyssnar det på samma sätt som du skulle använda det, vilket faktureras som en session. Varje begäran sparar en helt ny röst, så håll ID:t och beskrivningen tillsammans — beskrivningen är den enda anteckningen om vad du bad om.

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.

Det är en verklig avvägning. Ett reglage är reproducerbart; en mening är det inte. Två team som skriver samma stycke beskrivning kanske inte får samma röst, och dokumentationen säger rent ut att genererade röster inte garanteras vara unika. Versionshantera prompttexten på samma sätt som du versionshanterar din systemprompt.

De gränser som är värda att designa runt

• 100 promptgenererade röster per organisation. Gränsen gäller även dina kunder, så om du genererar en röst per slutanvändare är 100 taket för hela din tenantbas, inte en tilldelning per konto.

• 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.

• Kan inte användas med Zero Data Retention. Röstskapande via /v1/audio/voices/, inklusive inspelningsvägen, är uteslutet.

• Endast vuxna, och ingen imitation. Barns röster är inte tillåtna, och riktlinjen är att beskriva egenskaper snarare än att namnge en verklig person eller karaktär.

• Inspelningsbaserade röster är en separat, snävare väg — maximalt 20 per organisation, prover på 30 sekunder eller mindre i mpeg, wav, ogg, aac, flac, webm eller mp4, minst fem sekunder av verkligt tal och femton transkriberade tokens, uppladdningar begränsade till 10 MiB, där en samtyckesinspelning krävs.

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.

Den fullständiga listan med förinställningar, och var den är tunn

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:

• Engelska – sex regionala färger, inte en. Quartz och Ripple är australiska; Vesper är brittisk; Willow och Stone är irländska; Gleam och Meridian är nordamerikanska; Beacon är filippinsk; Delta och Cinder är från södra USA. Fyra av dessa är markerade som genererade i stället för naturliga.

• Portugisiska — Bossa och Tempo, båda brasilianska, båda Natural.

• Tyska — Nuri, Juni och Flitz. Två feminina, en maskulin.

• Franska — Brise och Sillage. En feminin, en maskulin.

• Japanska — Harema och Shida. En feminin, en maskulin.

• Hindi — Nira. Endast feminin.

• Koreanska — Noeul. Endast feminint.

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.

Guiden uppmärksammar också något som lätt kan misstolkas: "regional påverkan" beskriver en rösts sätt att tala, inte en hård begränsning av vilka språk den kan tala. Testa kandidatröster mot de faktiska språk och uttal som din app stöter på, i stället för att anta att en röst märkt som tysk är rätt val för tysk inmatning.

Inställningen du inte kan ändra mitt under ett samtal.Rösten är en startinställning. Du tilldelar audio.output.voice/ när du skapar sessionen, och för att ändra den startar du en ny session. Forkar ärver källsessionens modell, ursprungliga instruktioner och indata, så att jämföra två röster innebär att skapa två sessioner från samma konfiguration i stället för att växla inom en. Om du A/B-testar röster mot riktiga användare betyder det två sessionsfabriker, inte en session med en flagga — och det betyder att varje jämförelse kostar full sessionstid i båda armarna.

Var backend ligger, och varför det är den billigare halvan av beslutet

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.

Vad du ska göra den här veckan

Om du redan levererar en Live-produkt med en förinställd röst är de nio tilläggen en gratisbiljett för att testa om dina icke-engelsktalande användare faktiskt får service – byt rösten i en del av sessionerna och lyssna, och kom ihåg att bytet kostar dig en ny session per arm.

Om du var blockerad av varumärkesanpassning är prompt-to-voice nu värt en dags experimenterande, med en hake som kommer att bita senare: behandla beskrivningstexten som en byggartefakt. Versionera den, behåll det returnerade ID:t bredvid den, och utgå från att du kommer att behöva regenerera — för med en organisationsgräns på 100 röster och ingen förhandsvisning vid skapandet är rösten du gillade i tisdags något du kommer att behöva kunna återskapa avsiktligt.

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.

Inget av detta är hypotetiskt: de dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och omtvistad flagga.