OpenAI gpt-live-1 prompt-to-voice 怎样接入

OpenAI 在 2026 年 10 月的 API 更新中开放了 prompt-to-voice：开发者不用准备参考录音，只要提交一段声音描述，就能创建并保存一个自定义声音，再在 gpt-live-1 的 Live 会话里复用。真正的接入链路只有两步：先调用 /v1/audio/voices 拿到 voice ID，再把它放进会话启动配置的 audio.output.voice.id。

官方地址：https://developers.openai.com/api/docs/guides/custom-voices

这项能力适合客服、导览、语音助手等需要稳定角色声音的场景。要注意，文字描述生成的声音目前只支持 GPT-Live，不是通用的 Realtime 或 Speech endpoint 声音；创建声音免费，但使用它进行 GPT-Live 语音生成仍按正常 Live 会话计费。

先确认 prompt-to-voice 能解决什么问题

如果你的目标是“让同一个实时助手始终用相近的音色说话”，prompt-to-voice 比在每次请求里临时描述语气更适合：声音被保存后，应用只需保存返回的 voice ID。会话提示词仍然负责语速、回答长度、打断和何时请求后端协助，声音描述负责音色与基础表达感觉，两者不要混在一段超长指令里。

边界也很明确：prompt-generated voice 不需要参考录音，但不能用来冒充他人；应使用成年声音，并向听众说明语音由 AI 生成。若应用已经是普通文字转语音流程，这个能力并不能直接把 prompt voice 当作 Speech API 的 voice 参数使用。

第一步：创建并保存一个自定义声音

创建接口是 POST https://api.openai.com/v1/audio/voices。请求体至少包含 type、name 和 prompt。声音描述尽量写成可感知的声学特征，例如年龄段、音域、语速、情绪和清晰度；不要把业务规则、工具权限和回答模板都塞进这里。

# 用文字描述创建声音；API key 只从环境变量读取，不写入脚本
curl --fail-with-body https://api.openai.com/v1/audio/voices \
  -X POST \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "type": "prompt",
    "name": "Calm support voice",
    "prompt": "成年人的温和、清晰、可信赖声音，中等音高，语速从容，适合客服对话。",
    "model": "auto"
  }'

响应会返回一个 audio.voice 对象，其中最重要的是 id。把它作为应用配置或数据库资源保存，不要把一次创建响应里的临时文本当成后续会话配置。每次重新创建都会产生新的保存声音，想比较不同方案时，应该给它们不同名称并保留对应描述。

第二步：在 gpt-live-1 会话启动时引用 voice ID

Live 会话启动配置里，模型固定写成 gpt-live-1，声音放在 audio.output.voice 下。内置声音可以直接传名称；自定义声音则传一个包含 id 的对象。声音要在会话启动时选定，不能把它当成普通对话消息临时切换。

{
  "type": "live",
  "model": "gpt-live-1",
  "audio": {
    "output": {
      "voice": {
        "id": "voice_123"
      }
    }
  },
  "instructions": "你是一个温和、直接的客服助手。用户打断时立即停止说话；需要查询订单或执行操作时请求后端协助。"
}

上面的 JSON 是会话初始化数据，不是独立的“生成声音”请求。实践中可以把 voice_123 换成创建接口返回的真实 ID，再按 WebRTC 或 WebSocket 的 Live 连接方式发送。提示词建议保持短小：角色和说话方式留在 Live 层，查询订单、调用工具和权限确认放到后端代理。

怎么选方案：prompt-to-voice、内置声音还是录音声音

可以按任务约束做选择，而不是先追求“最像真人”。只需要稳定的角色感觉时，prompt-to-voice 成本低、无需录音，适合快速试验；需要立即上线并减少资源管理时，用 GPT-Live 内置声音更简单；如果确实要复用经过授权的真人声音，则应走录音声音流程，并准备单独的同意录音，且受账号资格和合规要求约束。

费用上，创建 prompt-generated voice 本身免费，使用该声音的 GPT-Live 语音会话按正常 Live 费率计费，后端模型和工具调用另行计费。上线前还要把 voice ID、原始描述和应用披露策略一起纳入配置管理，避免只保存一个无法追溯来源的字符串。

接入时最容易踩的三个坑

• 把 prompt-to-voice 当成 Speech endpoint 的通用 voice：文字生成的自定义声音不能直接用于普通 Speech 或 Realtime 流程，先确认产品链路是 GPT-Live。
• 把声音描述当成业务提示词：音色、语速和情绪写在声音 prompt，权限、工具调用和确认规则写在会话或后端 prompt。
• 只保存声音名称不保存 ID：名称便于人看，真正引用要使用 API 返回的 voice ID，并在应用配置里保留创建描述和负责人。

相关问题

创建 prompt-generated voice 需要参考录音吗？不需要，提交文字描述即可；录音和同意记录属于另一种声音创建流程。

一个声音能否在会话中途切换？应在会话启动时选择；需要尝试另一个声音时，重新启动一个 Live 会话更清晰。

官方文档在哪里？https://developers.openai.com/api/docs/guides/live 介绍 GPT-Live 链路，https://developers.openai.com/api/reference/resources/audio/subresources/voices/methods/create 介绍创建声音的请求字段。