เสียงของ GPT-Live-1 ตอนนี้เป็นสิ่งที่คุณอธิบายได้แล้ว: Prompt-to-Voice เปิดตัวแล้ว พร้อมพรีเซ็ตนานาชาติ 9 แบบที่มาถึงแล้ว

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.

นี่คือสิ่งที่ถูกปล่อยออกมาจริง ค่าใช้จ่ายของมัน และความไม่สมดุลสองประการในรายการเสียงใหม่ที่ไม่มีบันทึกการเปิดตัวใดกล่าวถึง

สิ่งที่การเปิดตัววันที่ 16 ตุลาคมประกอบด้วย

สองสิ่ง ทั้งคู่ติดแท็กกับ gpt-live-1/ โมเดล และกับเอนด์พอยต์สองรายการ — v1/audio/voices/ และ 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.

• เสียงธรรมชาติใหม่เก้าเสียง — Nuri, Juni และ Flitz (เยอรมัน); Brise และ Sillage (ฝรั่งเศส); Nira (ฮินดี); Harema และ Shida (ญี่ปุ่น); Noeul (เกาหลี)

• 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.

การเรียก API เป็นการ POST เพียงครั้งเดียว และโครงสร้างของมันบอกคุณว่าโมเดลกำลังทำอะไรอยู่

คุณส่ง JSON ไปยัง /v1/audio/voices/ ด้วย type: "prompt"/, ชื่อ/, คำอธิบาย prompt/ และ "model": "auto"/ โดยมี script_hint/ ที่เป็นทางเลือก ความยาวไม่เกิน 2,000 อักขระ ใช้ให้ตัวอย่างเสียงพูดเพื่อกำหนดแนวทางการสร้าง หากไม่ระบุ บริการจะเขียนสคริปต์ให้เอง อย่างไรก็ตาม สคริปต์ที่ว่างเปล่าหรือสั้นเกินไปจะถูกปฏิเสธ

การตอบกลับไม่มีเสียง โดยคืนค่าเฉพาะเมทาดาทาเท่านั้น — ชนิดของออบเจ็กต์, id/, name/, created_at/ ในหน่วยวินาทีแบบ Unix, type/, และพรอมป์ต์ต้นฉบับของคุณ นี่เป็นการออกแบบโดยเจตนาซึ่งมีผลในทางปฏิบัติตามมา: ไม่มีอะไรให้ดูตัวอย่างตอนสร้าง ดังนั้นคุณจึงต้องลองฟังมันด้วยวิธีเดียวกับที่คุณจะใช้งานจริง ซึ่งจะคิดค่าบริการเป็นหนึ่งเซสชัน ทุกคำขอจะบันทึกเสียงใหม่เอี่ยมไว้หนึ่งเสียง ดังนั้นควรเก็บ ID ไว้คู่กับคำอธิบาย — คำอธิบายเป็นบันทึกเดียวว่าคุณขออะไรไป

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.

นั่นคือข้อแลกเปลี่ยนที่แท้จริง สไลเดอร์ให้ผลลัพธ์ที่ทำซ้ำได้ ส่วนประโยคหนึ่ง ๆ ทำไม่ได้ สองทีมที่เขียนย่อหน้าคำอธิบายเดียวกันอาจไม่ได้น้ำเสียงเดียวกัน และเอกสารก็ระบุไว้ตรง ๆ ว่าเสียงที่สร้างขึ้นไม่รับประกันว่าจะไม่ซ้ำกัน จงเก็บข้อความพรอมป์ต์ไว้ภายใต้ระบบควบคุมเวอร์ชัน เช่นเดียวกับที่คุณเก็บ system prompt ของคุณ

ขีดจำกัดที่คุ้มค่าแก่การออกแบบให้สอดรับ

• 100 เสียงที่สร้างจากพรอมป์ต์ต่อองค์กร เพดานนี้ใช้กับลูกค้าของคุณด้วย ดังนั้น หากคุณสร้างเสียงหนึ่งเสียงต่อผู้ใช้ปลายทางหนึ่งราย 100 คือเพดานสำหรับฐานเทนแนนต์ทั้งหมดของคุณ ไม่ใช่โควตาต่อบัญชี

• 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.

• ใช้ร่วมกับ Zero Data Retention ไม่ได้ การสร้างเสียงผ่าน /v1/audio/voices/ รวมถึงเส้นทางการบันทึก ถูกยกเว้น

• ผู้ใหญ่เท่านั้น และห้ามเลียนแบบ ไม่อนุญาตให้ใช้เสียงเด็ก และแนวทางคือให้บรรยายคุณลักษณะแทนการระบุชื่อบุคคลหรือตัวละครจริง

• เสียงที่อิงจากการบันทึกเป็นเส้นทางแยกที่เข้มงวดกว่า — สูงสุด 20 รายการต่อองค์กร ตัวอย่างความยาวไม่เกิน 30 วินาทีในรูปแบบ mpeg, wav, ogg, aac, flac, webm หรือ mp4 ต้องมีเสียงพูดจริงอย่างน้อย 5 วินาที และโทเคนที่ถอดความแล้ว 15 โทเคน การอัปโหลดจำกัดที่ 10 MiB โดยต้องมีการบันทึกความยินยอม

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.

รายการพรีเซ็ตทั้งหมด และจุดที่ยังขาดอยู่

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:

• ภาษาอังกฤษ — มีหกสีตามภูมิภาค ไม่ใช่สีเดียว Quartz และ Ripple เป็นออสเตรเลีย; Vesper เป็นบริติช; Willow และ Stone เป็นไอริช; Gleam และ Meridian เป็นอเมริกาเหนือ; Beacon เป็นฟิลิปปินส์; Delta และ Cinder เป็นภาคใต้ของสหรัฐฯ สี่รายการในนั้นถูกทำเครื่องหมายว่า Generated ไม่ใช่ Natural

• โปรตุเกส — Bossa และ Tempo ทั้งคู่เป็นบราซิล ทั้งคู่เป็นธรรมชาติ

• เยอรมัน — Nuri, Juni และ Flitz โดยสองชื่อเป็นเพศหญิง หนึ่งชื่อเป็นเพศชาย

• ฝรั่งเศส — Brise และ Sillage หนึ่งกลิ่นสำหรับผู้หญิง หนึ่งกลิ่นสำหรับผู้ชาย

• ญี่ปุ่น — Harema และ Shida หนึ่งเป็นหญิง หนึ่งเป็นชาย

• ภาษาฮินดี — Nira เฉพาะเพศหญิงเท่านั้น

• เกาหลี — Noeul ใช้กับเพศหญิงเท่านั้น

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.

คู่มือยังชี้ให้เห็นถึงสิ่งที่อาจตีความผิดได้ง่าย: “อิทธิพลระดับภูมิภาค” อธิบายสไตล์การพูดของเสียง ไม่ใช่ข้อจำกัดตายตัวว่าเสียงนั้นพูดภาษาใดได้ ทดสอบเสียงที่เป็นตัวเลือกกับภาษาจริงและการออกเสียงจริงที่แอปของคุณพบ แทนที่จะสันนิษฐานว่าเสียงที่ติดป้ายว่าเยอรมันเป็นตัวเลือกที่เหมาะสมสำหรับอินพุตภาษาเยอรมัน

การตั้งค่าที่คุณไม่สามารถเปลี่ยนกลางสายได้ เสียงเป็นค่าตั้งต้นตอนเริ่มระบบ คุณกำหนด audio.output.voice/ ตอนที่คุณสร้างเซสชัน และหากจะเปลี่ยนก็ต้องเริ่มเซสชันใหม่ ฟอร์กจะสืบทอดโมเดล คำสั่งต้นฉบับ และอินพุตของเซสชันต้นทาง ดังนั้นการเปรียบเทียบสองเสียงจึงหมายถึงการสร้างสองเซสชันจากการตั้งค่าเดียวกัน มากกว่าจะสลับเสียงภายในเซสชันเดียว หากคุณกำลังทดสอบเสียงแบบ A/B กับผู้ใช้จริง นั่นหมายถึงต้องมี session factory สองตัว ไม่ใช่เซสชันเดียวที่มีแฟล็ก และหมายความว่าทุกการเปรียบเทียบต้องใช้เวลาเซสชันเต็มทั้งสองฝั่ง

ตำแหน่งที่ backend ตั้งอยู่ และทำไมนั่นถึงเป็นครึ่งที่ถูกกว่าของการตัดสินใจ

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.

สิ่งที่ต้องทำในสัปดาห์นี้

หากคุณเปิดตัวผลิตภัณฑ์ Live ด้วยเสียงพรีเซ็ตอยู่แล้ว การเพิ่มทั้งเก้าถือเป็นโอกาสฟรีในการทดสอบว่าผู้ใช้ที่ไม่ใช่ภาษาอังกฤษของคุณได้รับการตอบสนองจริงหรือไม่ — ลองสลับเสียงในเซสชันเพียงบางส่วนแล้วรับฟัง โดยจำไว้ว่าการสลับนั้นทำให้คุณต้องใช้เซสชันใหม่หนึ่งเซสชันต่อกลุ่มทดลอง

ถ้าคุณเคยติดขัดเรื่องความสอดคล้องกับแบรนด์ ตอนนี้ prompt-to-voice คุ้มค่าที่จะลองใช้เวลาสักหนึ่งวันในการทดลอง โดยมีข้อแม้หนึ่งข้อที่จะกัดคุณในภายหลัง: ให้ถือว่าข้อความคำอธิบายเป็น build artefact จัดการเวอร์ชันของมัน เก็บ ID ที่ส่งคืนไว้ข้าง ๆ และสมมติว่าคุณจะต้องสร้างใหม่ — เพราะด้วยเพดานองค์กรที่ 100 เสียงและไม่มีตัวอย่างให้ดูตอนสร้าง เสียงที่คุณชอบเมื่อวันอังคารคือสิ่งที่คุณจะต้องสามารถสร้างขึ้นมาใหม่ได้อย่างตั้งใจ

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.

ไม่มีสิ่งใดในนั้นที่เป็นเพียงข้อสันนิษฐาน: ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งได้รับการบันทึกไว้ ที่อยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง