OpenAI 自定义声音

自定义声音可以为智能体或应用创建声音。可以选择以下创建方式：

• 根据文字描述创建：使用“提示词生成声音”（prompt-to-voice）为 GPT-Live生成声音，在文本提示词中描述需要的嗓音特征。
• 根据录音创建：提供授权录音和一段简短的参考样本。这类声音可以用于 GPT-Live、文字转语音 API、Realtime API或支持音频输出的 Chat Completions API。

选择已有 GPT-Live 声音的方法见声音选项。

根据描述创建声音

提示词生成声音会根据文字描述创建并保存声音。这种工作流不需要参考录音或授权录音。

提示词生成声音已向所有 API 客户正式开放。提示词生成的声音可用于 GPT-Live，不支持文字转语音、Realtime 或 Chat Completions API。

负责任地使用

• 负责任地使用声音。不要冒充他人或违反使用政策。
• 使用成年人声音。不允许使用儿童声音。
• 保持透明。告知听众语音由 AI 生成，并保留来源元数据、水印或其他标识合成来源的信息。
• 不保证声音独一无二。其他人可能生成相似的声音或输出。输出的所有权仍受你与 OpenAI 的协议约束。
• 你及终端用户使用提示词生成声音功能时，适用服务条款。

创建并保存声音

可以通过 API 或声音 Playground创建声音。创建提示词生成的声音免费；使用该声音在 GPT-Live 中生成语音，按正常会话费率计费。

向 /v1/audio/voices 发送 JSON 请求，并把 type 设为 prompt：

来源示例 1（bash）：

程序文字译释8：名称为“客服助手”；声音描述是平静、令人安心的成年人声音，使用美式英语口音、中等音高、平滑温暖音色与稳定自然的对话语速。

## [中文] 示例 1：创建并保存声音；以下保留本语言原始示例。
## [中文] 本段涉及的 HTTP 端点：/v1/audio/voices；认证和请求体保持原示例形式。
curl --fail-with-body https://api.openai.com/v1/audio/voices \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "type": "prompt",
    "name": "Support assistant",
    "prompt": "A calm, reassuring adult voice for a customer support assistant. Speak with an American English accent, a mid-range pitch, a smooth, warm tone, and a steady, conversational pace.",
    "model": "auto"
  }' \
  -o voice.json

script_hint 是用于引导声音生成的可选示例台词。省略时，服务会根据声音描述生成台词；自行提供时，最多包含 2,000 个字符的代表性语音文本。空白或过短的台词会被拒绝。

每次成功请求都会创建一个新的已保存声音。响应包含 ID、以 Unix 秒表示的创建时间和原始声音描述提示词等元数据，不包含音频或试听片段：

来源示例 2（json）：

程序文字译释9：客服助手。

程序文字译释10：平静、令人安心的成年人客服声音；美式英语口音、中等音高、平滑温暖音色、稳定自然的对话语速。

{
  "object": "audio.voice",
  "id": "voice_123",
  "name": "Support assistant",
  "created_at": 0,
  "type": "prompt",
  "prompt": "A calm, reassuring adult voice for a customer support assistant. Speak with an American English accent, a mid-range pitch, a smooth, warm tone, and a steady, conversational pace."
}

保存返回的 id 和原始声音提示词。如果希望另一会话使用相同声音，应复用已保存的声音。每个组织最多创建 100 个提示词生成的声音；应用为自己的客户创建的声音也计入这一限额。

描述声音

用日常语言描述嗓音特征，例如：

来源示例 3（text）：

本例中文译文与说明：

平静、令人安心的成年人客服助手声音。使用美式英语口音、中等音高、平滑温暖的音色，以及稳定自然的对话语速。

A calm, reassuring adult voice for a customer support assistant. Speak with an
American English accent, a mid-range pitch, a smooth, warm tone, and a steady,
conversational pace.

下表给出可以描述的特征。这些是提示词中的文字，不是独立 API 参数：

应描述特征本身，不要要求模仿某个具名人物、公众人物或虚构角色。不允许使用儿童声音，应描述成年人的声音。

描述示例

以以下描述为起点，并在应用中聆听生成结果。

平静的助手：

来源示例 4（text）：

本例中文译文与说明：

温暖的成年人声音，中等音高、平滑饱满的音色。适度用力发声，以从容、令人安心的方式表达。

A warm adult voice with a mid-range pitch and smooth, rich timbre.
Use moderate vocal effort and an unhurried, reassuring delivery.

活泼的向导：

来源示例 5（text）：

本例中文译文与说明：

明亮清晰的成年人声音，音高稍高，音色略带质感。用活泼自然的对话方式表达，语速轻快但容易跟上。

A bright, clear adult voice with a slightly higher pitch and a lightly textured timbre.
Use a lively, conversational delivery at a brisk but easy-to-follow pace.

回答长度、打断处理和委派时机等对话规则，应放在 GPT-Live 会话指令中。

在 GPT-Live 中试听声音

在 Playground 试听声音会运行 GPT-Live 会话，并按正常会话计费。

把 session.audio.output.voice.id 设为返回的声音 ID。为使声音按预期表现，应在 session.instructions 中同时包含原始声音描述和应用的对话指令。

将 voice_123 替换为创建请求返回的 ID：

来源示例 6（json）：

程序文字译释11：你是乐于助人的语音助手。使用平静、令人安心的成年人客服声音，美式英语口音、中等音高、平滑温暖音色，稳定自然地交谈。

{
  "model": "gpt-live-1",
  "instructions": "You are a helpful voice assistant. A calm, reassuring adult voice for a customer support assistant. Speak with an American English accent, a mid-range pitch, a smooth, warm tone, and a steady, conversational pace.",
  "audio": { "output": { "voice": { "id": "voice_123" } } }
}

使用 WebRTC时，把此配置放入 JSON 的 session 字段，与 transport 并列；使用 WebSockets时，将它放入第一个 session.start 事件。按照连接指南发送音频并收听声音。声音在启动时选择；要试听其他声音，需要启动新会话。

通过 /v1/audio/voices 创建声音，包括从录音创建，不兼容零数据保留（ZDR）。如果组织或项目启用了零数据保留，GPT-Live 语音生成可以适用该机制；存储的会话录音、录音下载和会话分叉则不可用。会话存储与保留要求见数据控制。

改进并复用

每次只调整一个特征，用相同短文和几个对话轮次比较结果，聆听口音、语速及应用需要的其他特征。保留并复用最合适的声音 ID。

每次创建请求都会保存一个新声音。要尝试另一已保存声音，应使用其 ID 启动新的 GPT-Live 会话。

根据录音创建声音

提供一段简短的参考音频样本，模型会尝试复现其中的声音。

从录音创建自定义声音仅面向符合条件的客户。详情请联系销售团队。组织开通后，可访问 Audio 下的 Voices 选项卡。

准备并上传录音

从录音创建声音必须通过 API 请求完成。完整操作集合见 API 参考。

需要两段独立录音：

1. 授权录音：录下配音者同意创建其声音副本的声明。配音者必须朗读下表中的一条授权声明。
2. 样本录音：模型实际参照的声音样本，声音必须与授权录音一致。

制作高质量声音的建议：

自定义声音的质量很大程度上取决于提供的样本质量。改善录音质量可以显著影响结果。

• 在安静、回声尽可能小的空间录音。
• 使用专业 XLR 麦克风。
• 与麦克风保持约 7–8 英寸距离，中间放置防喷罩，并保持距离不变。
• 模型会复制你提供的语气、节奏、活力、停顿和习惯，因此要录制你实际想要的声音，始终保持活力、风格和口音一致。
• 音频样本的小幅变化也可能造成生成质量差异，可尝试多份样本找到合适结果。

要求与限制：

• 每个组织最多创建 20 个基于录音的声音。
• 音频样本时长不得超过 60 秒。
• 支持的音频类型为 mpeg、wav、ogg、aac、flac、webm 或 mp4。

其他使用条款见文字转语音补充协议。

创建声音授权：

授权音频只能包含下表中的一条声明。任何偏离规定文本的内容都会导致失败。以下保留各语言必须朗读的原文；这些声明表达的共同含义是：声音拥有者同意 OpenAI 使用其声音创建合成语音模型。

然后通过 API 上传录音。成功后会返回授权录音 ID，后续创建声音时需要引用。同一位配音者多次尝试创建不同声音时，可以复用同一份授权。

来源示例 7（bash）：

## [中文] 示例 7：准备并上传录音；以下保留本语言原始示例。
## [中文] 本段涉及的 HTTP 端点：/v1/audio/voice_consents；认证和请求体保持原示例形式。
curl https://api.openai.com/v1/audio/voice_consents \
  -X POST \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F "name=test_consent" \
  -F "language=en" \
  -F "recording=@$HOME/tmp/voice_consent/consent_recording.wav;type=audio/x-wav"

创建声音：

接下来引用授权录音 ID，并提供声音样本，创建实际声音。

来源示例 8（bash）：

## [中文] 示例 8：准备并上传录音；以下保留本语言原始示例。
## [中文] 本段涉及的 HTTP 端点：/v1/audio/voices；认证和请求体保持原示例形式。
curl https://api.openai.com/v1/audio/voices \
  -X POST \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F "name=test_voice" \
  -F "audio_sample=@$HOME/tmp/voice_consent/audio_sample_recording.wav;type=audio/x-wav" \
  -F "consent=cons_123abc"

成功后，新声音会出现在 Audio 选项卡中。

在语音生成中使用从录音创建的声音

使用 gpt-realtime-2.1-mini 和 Realtime API生成自定义声音的语音。在会话第一次音频回复之前，把 session.audio.output.voice 设为包含声音 ID 的对象。

配置 Realtime 会话：

创建 Realtime 客户端密钥时使用以下请求体，再按照 WebRTC 连接指南用该密钥连接。将 voice_123abc 替换为声音创建请求返回的 ID：

来源示例 9（javascript）：

程序文字译释12：朗读用户文字，不添加说明。

// [中文] 示例 9：在语音生成中使用从录音创建的声音；以下保留本语言原始示例。
// [中文] 原代码明确设置的模型值：gpt-realtime-2.1-mini；各值的作用按其所在配置对象区分。
const sessionConfig = JSON.stringify({
  session: {
    type: "realtime",
    model: "gpt-realtime-2.1-mini",
    instructions: "Read the user's text aloud without adding commentary.",
    output_modalities: ["audio"],
    audio: {
      output: {
        voice: { id: "voice_123abc" },
      },
    },
  },
});

来源示例 10（ruby）：

沿用程序文字译释12。

## [中文] 示例 10：在语音生成中使用从录音创建的声音；以下保留本语言原始示例。
## [中文] 原代码明确设置的模型值：gpt-realtime-2.1-mini；各值的作用按其所在配置对象区分。
## Replace the illustrative IDs and URLs below with your own resource values.
require "json"

session_config = JSON.generate(
  session: {
    type: "realtime",
    model: "gpt-realtime-2.1-mini",
    instructions: "Read the user's text aloud without adding commentary.",
    output_modalities: ["audio"],
    audio: { output: { voice: { id: "voice_123abc" } } }
  }
)
puts(session_config)

生成文字转语音时，先添加包含待朗读文本的用户消息，再发送 response.create，把 output_modalities 设为 ["audio"]。会话指令要求模型朗读提供的文本。按通过 WebRTC 处理音频所述，从 WebRTC 音频轨道接收生成音频。

在 GPT-Live 中使用从录音创建的声音

使用同时获准访问 GPT-Live 与自定义声音创建功能的项目级 API 密钥。读取授权声明和使用自定义声音需要 api.voices.read；创建授权与声音需要 api.voices.write 及自定义声音 API 访问权限。所有请求使用同一项目，密钥保存在可信服务器上。

准备录音

录音前列出当前支持的授权声明：

来源示例 11（bash）：

## [中文] 示例 11：准备录音；以下保留本语言原始示例。
## [中文] 本段涉及的 HTTP 端点：/v1/audio/consent_phrases；认证和请求体保持原示例形式。
curl https://api.openai.com/v1/audio/consent_phrases \
  -H "Authorization: Bearer $OPENAI_API_KEY"

授权录音和参考样本必须来自同一个人。样本至少包含五秒实际讲话和至少 15 个转录文本词元，静音不计入。使用包含多个完整句子的 10–60 秒录音，每次上传不超过 10 MiB。服务会从录音提取参考转录文本。

浏览器录音器可能把音频标为 audio/webm;codecs=opus，上传端点会拒绝该类型。构造上传内容时，使用受支持的基础 MIME 类型 audio/webm，同时保留原始音频字节。使用前述授权和声音创建请求，并保存返回的声音 ID。

创建会话时选择声音

自定义声音以对象传递，例如 { "id": "voice_123" }；"marin" 等具名声音则使用字符串。

gpt-live-1 支持带英语口音的自定义声音。要使用某种口音，还应在 session.instructions 中明确指定，例如 "Speak British English"（说英式英语）或 "Speak Irish English"（说爱尔兰英语）。以下示例使用英式英语，可按需要更换。

初始会话中包含以下配置：

来源示例 12（json）：

程序文字译释13：你是乐于助人的语音助手，说英式英语。

{
  "model": "gpt-live-1",
  "instructions": "You are a helpful voice assistant. Speak British English.",
  "audio": { "output": { "voice": { "id": "voice_123" } } }
}

使用 WebRTC时，由应用服务器将此配置放入 JSON 的 session 字段，与 transport 并列。请求应用服务器时使用应用自身的凭证，OpenAI API 密钥保留在服务器。

使用 WebSockets时，将配置放入第一个 session.start 事件。按照连接指南流式传输音频并关闭会话。

处理访问与生命周期失败

• 在创建会话时选择声音；要换声音，启动新会话。
• 声音被删除或撤销、授权来自其他项目，或缺少自定义声音访问权限，都可能表现为 404。
• 格式错误的音频、讲话者不一致或非项目级密钥会被拒绝。

创建声音之前，确认项目权限、录音最小要求和上传限制。会话设置的要求见 GPT-Live 入门。