Giọng nói của GPT-Live-1 giờ đây là điều bạn mô tả: Prompt-to-Voice ra mắt và chín Preset Quốc tế đổ bộ

Trong phần lớn thời gian của năm, việc chọn một giọng nói cho G​PT-Live-1 có nghĩa là chọn một chuỗi. Bạn đọc một danh sách, bạn đặt audio.output.voice/ thành một trong số chúng khi bắt đầu phiên, và nếu không có cái nào phù hợp với thương hiệu bạn đang xây dựng, bạn phát hành với cái gần nhất. Điều đó đã thay đổi vào ngày 16 tháng 10 năm 2026, khi O​penAI ra mắt prompt-to-voice cho tất cả khách hàng API và bổ sung chín giọng nói tự nhiên nhắm đến năm thị trường phi tiếng Anh. Khả năng mới này nhỏ trên giấy tờ — một endpoint, gọi miễn phí — và nó viết lại quyết định sớm nhất mà hầu hết sản phẩm giọng nói đưa ra. Nó cũng ra mắt một ngày sau G​PT-Live-1.1 có tích hợp Decisions gốc trong cùng các phiên Live, điều này quan trọng vì hai thay đổi đẩy theo hướng ngược nhau: một cái làm cho giọng nói trở nên riêng biệt hơn, cái kia làm cho thứ đằng sau giọng nói trở nên chủ động hơn.

Đây là những gì thực sự đã được tung ra, chi phí ra sao, và hai sự bất đối xứng trong danh sách giọng nói mới mà không ghi chú ra mắt của ai hề nhắc tới.

Bản phát hành ngày 16 tháng 10 bao gồm những gì

Hai thứ, cả hai đều được gắn thẻ cho mô hình gpt-live-1/ và cho hai endpoint — v1/audio/voices/ và v1/live/sessions/.

• Prompt-to-voice — tạo giọng nói tùy chỉnh từ mô tả văn bản, thông qua API hoặc Playground giọng nói, rồi tái sử dụng trong các phiên GPT-Live. Đã phát hành cho tất cả khách hàng API.

• Chín giọng nói tự nhiên mới — Nuri, Juni và Flitz (tiếng Đức); Brise và Sillage (tiếng Pháp); Nira (tiếng Hindi); Harema và Shida (tiếng Nhật); Noeul (tiếng Hàn).

• Chi phí — việc tạo một giọng nói được tạo bằng prompt là miễn phí. Sử dụng nó để tổng hợp giọng nói được tính theo mức giá phiên G​PT-Live thông thường, và nghe thử nó trong Playground được tính như một phiên bình thường cho mục đích thanh toán.

• Một ngày trước đó, vào ngày 15 tháng 10 — tích hợp Decisions gốc trong GPT‑Live, để một ứng dụng có thể hành động trong khi người dùng vẫn đang nói hoặc phản ứng với những gì Live nói, thông qua delegation gốc hoặc transcript delta.

Bối cảnh định giá khiến những con số đó trở nên dễ hiểu: một phiên thoại G​PT-Live-1 có giá $0.05 mỗi phút, được tính phí theo từng giây và không làm tròn lên. Mức giá đó không thay đổi trong bản phát hành này, và không phần nào của prompt-to-voice thay đổi điều đó.

Lệnh gọi API là một POST, và hình dạng của nó cho bạn biết mô hình đang làm gì

Bạn gửi JSON đến /v1/audio/voices/ với type: "prompt"/, một name/, prompt/ mô tả, và "model": "auto"/. Một tùy chọn script_hint/ dài tối đa 2.000 ký tự cung cấp lời nói mẫu để định hướng quá trình tạo; nếu bỏ qua, dịch vụ sẽ tự viết kịch bản, tuy nhiên kịch bản trống hoặc quá ngắn sẽ bị từ chối.

Phản hồi không chứa âm thanh. Nó chỉ trả về siêu dữ liệu — một kiểu đối tượng, một id/, name/, created_at/ tính bằng giây Unix, type/, và prompt gốc của bạn. Đó là một lựa chọn thiết kế có chủ đích với một hệ quả thực tế: không có gì để xem trước tại thời điểm tạo, nên bạn dùng thử nó theo cách bạn sẽ sử dụng nó, và việc đó được tính phí như một phiên. Mỗi yêu cầu lưu một giọng nói hoàn toàn mới, vì vậy hãy giữ ID và phần mô tả đi cùng nhau — phần mô tả là hồ sơ duy nhất về những gì bạn đã yêu cầu.

Các phẩm chất có thể điều khiển đều được diễn đạt bằng ngôn ngữ thông thường thay vì dưới dạng các tham số riêng biệt: giọng, tuổi, cách thể hiện, cao độ, âm sắc, kết cấu, độ to, tốc độ nói và tính khác biệt. Các ví dụ của chính OpenAI bao gồm một giọng được diễn đạt là “American English, with a strong accent” và một tốc độ được diễn đạt là “Medium pace.” Không có thanh trượt ngữ điệu dạng số nào ở bất kỳ đâu trên giao diện, nghĩa là prompt chính là API.

Đó là một sự đánh đổi thực sự. Một thanh trượt thì có thể tái tạo; một câu thì không. Hai nhóm cùng viết một đoạn mô tả giống nhau có thể sẽ không có cùng một giọng, và tài liệu nói thẳng rằng những giọng được tạo ra không được đảm bảo là duy nhất. Hãy giữ văn bản prompt dưới sự kiểm soát phiên bản giống như cách bạn giữ system prompt.

Những giới hạn đáng để thiết kế xoay quanh

• 100 giọng nói được tạo bằng prompt cho mỗi tổ chức. Giới hạn này cũng áp dụng cho khách hàng của bạn, vì vậy nếu bạn đang tạo một giọng nói cho mỗi người dùng cuối, thì 100 là mức trần cho toàn bộ cơ sở tenant của bạn, chứ không phải hạn mức theo từng tài khoản.

• Chỉ G​PT-Live. Giọng nói được tạo từ prompt không hoạt động với các API Text to Speech, Realtime hoặc Chat Completions. Một giọng nói bạn mô tả hôm nay là giọng nói bạn không thể tái sử dụng trong quy trình thuyết minh hàng loạt vào ngày mai.

• Không thể sử dụng với Zero Data Retention. Việc tạo giọng nói thông qua /v1/audio/voices/, bao gồm cả đường dẫn ghi âm, đều bị loại trừ.

• Chỉ dành cho người lớn và không được mô phỏng. Không cho phép giọng trẻ em, và hướng dẫn là mô tả các đặc điểm thay vì nêu tên một người hoặc nhân vật có thật.

• Giọng nói dựa trên bản ghi là một đường hướng riêng, chặt chẽ hơn — tối đa 20 giọng cho mỗi tổ chức, mẫu từ 30 giây trở xuống ở định dạng mpeg, wav, ogg, aac, flac, webm hoặc mp4, có ít nhất năm giây lời nói thật và mười lăm token đã chép lời, tải lên được giới hạn ở 10 MiB, và bắt buộc phải có bản ghi đồng thuận.

Giới hạn 100 giọng và hạn chế chỉ dùng G​PT-Live là hai yếu tố định hình nên kiến trúc. Nếu bạn là một nền tảng tạo ra một giọng nói cho mỗi khách hàng, bạn có một mức trần cứng và không có đường dự phòng để dùng các API giọng nói rẻ hơn.

Danh sách preset đầy đủ, và những chỗ còn thiếu

Chín bổ sung mới được thêm lên trên một thư viện mà hướng dẫn giọng nói Live của OpenAI hiện liệt kê sâu tới hai mươi mốt mục, cùng với marin/ là mặc định. Đọc toàn bộ danh sách, nó nói lên điều gì đó về việc OpenAI kỳ vọng ai sẽ là người xây dựng:

• Tiếng Anh — sáu màu vùng miền, chứ không phải một. Quartz và Ripple là của Úc; Vesper là của Anh; Willow và Stone là của Ireland; Gleam và Meridian là của Bắc Mỹ; Beacon là của Philippines; Delta và Cinder là của miền Nam Hoa Kỳ. Bốn trong số đó được đánh dấu là Generated thay vì Natural.

• Tiếng Bồ Đào Nha — Bossa và Tempo, đều là giọng Brazil, đều là Natural.

• Tiếng Đức — Nuri, Juni và Flitz. Hai giống cái, một giống đực.

• Tiếng Pháp — Brise và Sillage. Một giống cái, một giống đực.

• Tiếng Nhật — Harema và Shida. Một nữ tính, một nam tính.

• Tiếng Hindi — Nira. Chỉ giống cái.

• Tiếng Hàn — Noeul. Chỉ dành cho nữ.

Hai sự bất đối xứng nảy sinh từ đó. Thứ nhất, tiếng Đức có ba giọng trong khi tiếng Pháp, tiếng Nhật, tiếng Hindi và tiếng Hàn có hai, hai, một và một — một sự phân bổ phản ánh ưu tiên thị trường châu Âu của OpenAI hơn là phản ánh số lượng người nói. Thứ hai, tiếng Hindi và tiếng Hàn mỗi ngôn ngữ chỉ có đúng một giọng, và cả hai đều là giọng nữ. Nếu sản phẩm của bạn cần một giọng nam tiếng Hindi hoặc tiếng Hàn từ thư viện preset, thì không có giọng nào như vậy, và các lựa chọn của bạn là giọng dựa trên bản ghi âm hoặc giọng tạo từ prompt. Đó chính xác là khoảng trống mà prompt-to-voice được phát hành để lấp đầy, ra mắt cùng ngày — điều này gợi ý rằng trình tự đó không phải là trùng hợp ngẫu nhiên.

Hướng dẫn cũng lưu ý một điểm dễ hiểu nhầm: "ảnh hưởng vùng miền" mô tả phong cách nói của một giọng đọc, chứ không phải là một ràng buộc cứng nhắc về những ngôn ngữ mà giọng đó có thể nói. Hãy thử nghiệm các giọng ứng viên với chính những ngôn ngữ và cách phát âm mà ứng dụng của bạn gặp phải, thay vì mặc định rằng một giọng được gắn nhãn tiếng Đức là lựa chọn đúng cho đầu vào tiếng Đức.

Cài đặt bạn không thể thay đổi giữa cuộc gọi. Voice là một cài đặt lúc khởi tạo. Bạn gán audio.output.voice/ khi bạn tạo session, và để thay đổi nó, bạn phải bắt đầu một session mới. Fork kế thừa model, original instructions và input của session nguồn, nên so sánh hai voice đồng nghĩa với việc tạo hai session từ cùng một cấu hình thay vì chuyển đổi bên trong một session. Nếu bạn A/B test các voice với người dùng thật, điều đó có nghĩa là hai session factory, chứ không phải một session kèm một cờ — và cũng có nghĩa là mọi phép so sánh đều tốn trọn thời lượng session ở cả hai nhánh.

Backend nằm ở đâu, và tại sao đó lại là nửa rẻ hơn của quyết định

Giọng nói là một nửa của phiên Live mà người dùng nghe thấy. Nửa còn lại là việc ủy thác: GPT-Live nghe và nói trong khi một mô hình hoặc agent ở backend đảm nhiệm phần suy luận và xử lý công cụ, và mức sử dụng backend được tính phí riêng theo mức giá thông thường. Hướng dẫn về chi phí của chính OpenAI khiến phép tính trở nên rõ ràng đến phũ phàng — toàn bộ thời gian phiên hoạt động đều bị tính phí, kể cả khi backend đang xử lý, và việc dùng một mô hình backend nhanh hơn cùng các lệnh gọi công cụ song song để người dùng kết thúc sớm hơn một phút sẽ tiết kiệm 0,05 USD tiền phí thoại. Mức phí thoại là cố định theo phút; backend mới là nút điều chỉnh.

Đó là nơi một router khẳng định được vị trí của mình thay vì chỉ bị gắn thêm cho có. Ủy quyền phía client cho phép bạn trỏ một phiên GPT-Live tới agent, harness hoặc dịch vụ của riêng bạn — nghĩa là backend được ủy quyền có thể là bất kỳ mô hình nào, và phiên bản hữu ích của “bất kỳ mô hình nào” là một key và một endpoint thay vì một hợp đồng cho mỗi nhà cung cấp. OrcaRouter cung cấp hơn 200 mô hình ở giá niêm yết của nhà cung cấp, không markup, nên khi backend giảm giá, bạn nhận được ngay trong ngày mức giá đó có hiệu lực, và failover tự động xử lý việc một nhà cung cấp gặp sự cố mà người dùng không hề hay biết. DSL định tuyến cho phép bạn tổ hợp bước suy luận từ nhiều mô hình thay vì đặt cược cả cuộc hội thoại vào một mô hình, đó chính là hình thái bạn muốn cho một backend được ủy quyền phải trả lời trong ngân sách độ trễ của một cuộc hội thoại trực tiếp.

Một ranh giới cần nói rõ: OrcaRouter không lưu trữ G​PT-Live-1, và không có gì trong bản phát hành này thay đổi điều đó. Vai trò của router trong một kiến trúc Live nằm sau ranh giới ủy quyền, chứ không phải trước giọng nói.

Việc cần làm trong tuần này

Nếu bạn đã phát hành một sản phẩm Live trên một giọng đặt trước, chín phần bổ sung là cơ hội miễn phí để kiểm tra xem người dùng không nói tiếng Anh của bạn có thực sự đang được phục vụ hay không — hãy hoán đổi giọng trên một phần nhỏ các phiên và lắng nghe, đồng thời nhớ rằng việc hoán đổi tiêu tốn của bạn một phiên mới cho mỗi nhánh.

Nếu bạn từng bị chặn ở khâu phù hợp thương hiệu, thì prompt-to-voice giờ đây đáng để dành một ngày thử nghiệm, kèm một lưu ý sẽ khiến bạn phải trả giá về sau: hãy coi văn bản mô tả là một sản phẩm đầu ra của quá trình build. Hãy đánh phiên bản cho nó, giữ ID được trả về bên cạnh nó, và giả định rằng bạn sẽ cần tạo lại — bởi vì với giới hạn 100 giọng cho mỗi tổ chức và không có bản xem trước tại thời điểm tạo, giọng bạn thích vào thứ Ba là thứ bạn sẽ phải có thể tái tạo một cách có chủ đích.

Và nếu bạn đang xây dựng toàn bộ hệ thống chứ không chỉ riêng giọng nói, thì thay đổi tháng Mười có sức ảnh hưởng lớn hơn có thể lại là thay đổi mà không ai viết bài blog nào về nó. Một ngày trước khi các giọng nói ra mắt, G​PT-Live đã có tích hợp Decisions gốc — khả năng hành động trong lúc người dùng vẫn đang nói dở câu. Một giọng nói phù hợp là quyết định về sản phẩm. Một backend trả lời trước khi người dùng hỏi xong là quyết định về kiến trúc.

Không có gì trong số đó là giả thuyết: các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này đều được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.