OpenAI 向全部 API 客户开放 prompt-to-voice：一句文字描述生成 GPT-Live 专属音色，创建免费，另增 9 个德法日韩印地语音色

核心背景与行业痛点

做语音 Agent 时，音色往往是最难定的一环：预置音色千篇一律，品牌想要专属声音就得找配音演员录样本、签授权，周期长、门槛高。OpenAI 在 9 月开放 GPT-Live-1 API，10 月 15 日又把 GPT-Live-1.1 推到 ChatGPT、Codex 和 dots，并称 1.1 即将登陆 API。这次补上的是「音色定制」这块短板：用文字描述就能造一个声音。

架构亮点与底层机制

开发者向 /v1/audio/voices 发送 type: "prompt"、名称和一段描述，描述里写口音、年龄感、音高、音色、语速等特征即可；model 默认 auto，也可固定为 2026-10-08 版本；可选 script_hint 提供最多 2,000 字符示例台词。接口返回音色 ID，会话启动时写入 session.audio.output.voice.id，官方建议把原始描述一并放进 session.instructions。音色只能在会话开始时选定，换音色需新开会话。

权威 Benchmark 与实测跑分对比

官方未公布音色相似度、自然度等跑分。能确认的是官方口径的边界：创建免费，出声按常规 GPT-Live 会话计费；每组织最多 100 个文字音色，而基于录音克隆的音色仅限合格客户、最多 20 个、样本不超过 30 秒。新增 9 个自然音色为 Nuri、Juni、Flitz（德语），Brise、Sillage（法语），Nira（印地语），Harema、Shida（日语），Noeul（韩语）。

开发者实战落地与开箱指南

先在 voice Playground 用同一段台词对比几版描述，每次只改一个特征，选定后保存 ID 复用。注意文字音色不能用于 TTS、Realtime 或 Chat Completions；开启零数据保留的组织无法调用建音色接口，但 GPT-Live 语音生成本身可享 ZDR。官方禁止模仿真人或角色、禁止儿童声音，并要求向听众说明是 AI 合成语音。