Новая возможность: от текста к голосу
OpenAI официально вывела в GA (General Availability) функцию Prompt-to-Voice. Теперь разработчики могут создавать кастомные голоса для своих AI-агентов, описывая желаемые вокальные качества в текстовом промпте. Это решение не требует предоставления референсных записей или документов о согласии, что значительно упрощает процесс интеграции голосовых интерфейсов.
Голоса, сгенерированные таким образом, совместимы с GPT-Live. Важно отметить, что на данный момент они не поддерживаются в Text-to-Speech API, Realtime API или Chat Completions API с выводом аудио. Создание голоса через API бесплатно, но использование сгенерированного голоса в сессиях GPT-Live тарифицируется по стандартным ставкам за сессию.
Технические детали и ограничения
Функция доступна всем клиентам API. Лимит составляет до 100 сгенерированных голосов на организацию. При создании голоса через endpoint /v1/audio/voices с параметром type: prompt, система возвращает метаданные (ID, время создания, исходный промпт), но не аудиофайл для предпрослушивания.
Разработчики могут детально настраивать параметры голоса, используя естественный язык. Ниже приведена таблица доступных для описания характеристик:
| Параметр | Описание | Пример формулировки |
|---|---|---|
| Accent (Акцент) | Региональное произношение и сила акцента | "American English, with a strong accent" |
| Age (Возраст) | Воспринимаемый возраст | "An adult in their 30s" |
| Pitch (Тон) | Высота голоса | "Mid-range pitch" |
| Timbre (Тембр) | Характер звука | "Smooth and rich" |
| Speech rate (Скорость) | Темп речи | "Medium pace" |
Правила ответственного использования
OpenAI ввела строгие ограничения на использование функции:
- Запрет на имитацию: Нельзя запрашивать воспроизведение голосов реальных людей, публичных фигур или вымышленных персонажей.
- Возрастной ценз: Генерация детских голосов запрещена. Допускаются только взрослые голоса.
- Прозрачность: Разработчики обязаны информировать пользователей о том, что речь генерируется ИИ, и сохранять метаданные происхождения (watermarks).
- Уникальность: OpenAI не гарантирует уникальность сгенерированных голосов; другие пользователи могут получить похожие результаты.
Сравнение с голосами из записей
Параллельно с Prompt-to-Voice, OpenAI продолжает поддерживать создание голосов на основе аудиофайлов (From a recording). Однако этот метод требует предоставления двух записей: согласия актера и референсного образца. Голоса из записей доступны только для квалифицированных клиентов (по запросу в отдел продаж) и требуют соблюдения строгих технических стандартов записи (XLR микрофон, отсутствие эха, расстояние 7-8 дюймов от микрофона). В отличие от них, Prompt-to-Voice не совместим с функцией Zero Data Retention для самих сессий генерации, хотя сами сессии GPT-Live могут использовать эту опцию при включении на уровне организации.
Источник: Openai ↗