本周，OpenAI 连续两日扩展 GPT-Live 开发者 API，核心更新包括：推出基于文本描述生成定制 AI 语音的功能（Prompt-to-Voice），无需音频录制或克隆流程；实现 GPT-Live 实时语音会话与 Decisions API 的原生连接，消除动作选择的中继延迟；新增覆盖德语、法语、印地语、日语和韩语的九种生产环境语音。此举旨在降低开发者打造品牌化语音代理的门槛，并解决实时动作选择的延迟痛点。

Prompt-to-Voice：文本直出语音 ID，无需源音频

此前，开发者仅能从预设声音中选择或经过复杂的音频克隆流程。10 月 16 日的更新引入了 Prompt-to-Voice 功能，开发者可通过调用 /v1/audio/voices 端点，以纯文本描述口音、语调、语速等特征，直接获取可复用的语音 ID。该 ID 可在开启 GPT-Live 会话时传入 session.audio.output.voice.id，并跨多个会话使用。

语音生成本身不收取额外费用，输出按标准 GPT-Live 会话费率计费，即语音层每分钟 0.05 美元。这意味着构建多语言客服代理时，开发者只需编写如“略带印地语口音的专业声音”等描述，即可通过单次 API 调用获得可用声音，无需介入配音演员或管理音频管道。需注意，提示生成的语音仅适用于 GPT-Live，不可用于 OpenAI 独立的文本转语音服务。无论语音来源如何，OpenAI 政策均要求向最终用户披露其为 AI 语音。该功能亦通过 Voice Playground 提供，支持无代码工作流。

全双工架构支撑低延迟实时交互

GPT-Live-1 采用单一全双工语音模型架构，不同于早期 Realtime API 将音频依次路由至语音转文本、推理和文本转语音模型的流水线模式。GPT-Live 在一次处理中同时处理音频输入和输出，支持双方同时说话和聆听，无需轮流停顿。OpenAI 内部 Full Duplex Bench 评估显示，其全双工性能较 GPT-Realtime-2.1 提升 30 个百分点，模型处理暂停期间的中断次数减少约 80%。

尽管性能显著提升，但全双工口语语言模型领域仍面临同步训练数据稀缺、架构差异及缺乏标准化外部基准等挑战。OpenAI 的 Full Duplex Bench 为专有系统，尚未获独立第三方验证，依赖外部审计的团队需留意此局限。GPT-Live 会话推荐通过 WebRTC 建立，音频在媒体轨道传输，控制消息通过 JSON 数据通道流动；旁路 WebSocket 选项则允许在不注入音频的情况下监控会话，便于记录和质量保证。

原生 Decisions 集成消除中继延迟

10 月 15 日，OpenAI 将 GPT-Live 直接接入 Decisions API。Decisions API 是一个结构化推理层，此前于 10 月 6 日随 gpt-6-luna 模型以测试版形式推出。原生集成允许 GPT-Live 在对话继续的同时直接调用 Decisions，无需应用程序作为中继。此前，客户端委派模式需在句子中间或命令后立即进行往返操作，显著增加延迟。

开发者通过 session.delegation 对象配置委派操作，将 decisions.model 设为 "gpt-6-luna"，并在 decisions.questions 数组中定义选项。决策触发时，应用程序会收到携带 delegation_id 和选定答案的 decision.event webhook。原生委派需要 api.decisions.write 权限。例如，在智能家居场景中，“让房间变暖些”可直接触发温度增加决策，而无需中断对话等待应用层响应。

架构权衡：速度提升与安全审计重构

原生委派虽消除了延迟，但也移除了应用程序在决策解析前的拦截点。在客户端委派模式下，应用层可在此环节添加审计日志、应用业务规则或进行安全审查。转为原生委派后，这些责任仍由应用程序承担，但执行时机移至 decision.event webhook 触发之后。对于金融路由、医疗分诊等合规敏感场景，团队需评估现有中继步骤的功能目的，并重构逻辑以适应事后审查模式。

新增九种 API 语音，强化多语言覆盖

此次更新为 GPT-Live API 新增了九种语音，具体分布如下：

语言新增 API 语音
德语Nuri, Juni, Flitz
法语Brise, Sillage
印地语Nira
日语Harema, Shida
韩语Noeul

这些语音专供 API 使用，与同日面向 ChatGPT Voice 用户推出的 Sonna、Miko 等消费级语音名称不同。针对德语、日语和韩语等韵律复杂、难以从英语数据泛化的语言，OpenAI 增加了多种语音选项，表明其正致力于提升质量覆盖而非仅增加语言标志。

背景：GPT-Live-1.1 尚未登陆 API

此次 API 更新之际，OpenAI 正于 10 月 15 日向 ChatGPT Voice 推送 GPT-Live-1.1 及其轻量版 GPT-Live-1.1 Quip。消费者版本在七种语言中新增了 13 种语音，改善了口音自然度并减少了网络搜索期间的填充词。然而，GPT-Live-1.1 尚未向 API 开发者开放，官方仅表示“即将到来”，未给出具体日期。目前 API 客户仍运行于 9 月 10 日达到通用可用性的 GPT-Live-1。Node.js SDK v7.35.0 已同步更新，支持基于提示词的语音创建及 Decisions 等功能。

风险格局变化：合成语音与披露义务

Prompt-to-Voice 降低了创建逼真语音人设的门槛，但因无自然人音频锚点，也意味着无法被检测为针对特定个人的音频盗窃。然而，这也使得快速创建具有说服力的 AI 语音用于自动呼叫成为可能，加剧了潜在滥用风险。OpenAI 开发者政策强制要求在使用 AI 生成语音时向最终用户披露。2024 年 FTC 语音克隆挑战赛及欧盟《人工智能法案》均强调了对合成音频透明度的监管关注。在电话环境中部署 GPT-Live 的团队必须遵守披露要求。

市场竞争方面，截至 2026 年中期的比较显示，Cartesia 延迟约 90 毫秒，费用每分钟 0.02–0.04 美元；ElevenLabs 覆盖 32 种语言，费用每分钟 0.06–0.12 美元；OpenAI GPT-Live 延迟约 250–400 毫秒，费用每分钟 0.05 美元。Prompt-to-Voice 和原生 Decisions 目前是 OpenAI 的独有功能，竞争对手尚未匹配这一组合。

常见问题解答

如何使用 OpenAI API 通过 Prompt-to-Voice 创建自定义 AI 语音？

通过 POST 调用 /v1/audio/voices 端点，提供描述口音、语调等特征的纯文本，OpenAI 将返回语音 ID。在 GPT-Live 会话中将该 ID 传入 session.audio.output.voice.id。语音生成免费，仅在说话时按每分钟 0.05 美元计费。该功能仅适用于 GPT-Live。

GPT-Live 中原生 Decisions 委派与客户端委派有什么区别？

客户端委派需应用程序中继，存在往返延迟，但允许在决策前拦截进行审计或安全检查。原生委派由 GPT-Live 直接调用 gpt-6-luna，无中继延迟，但应用程序只能在 decision.event webhook 触发后进行事后处理。团队需据此重构审计逻辑。

GPT-Live-1.1 是否已向 API 开发者开放？

否。截至本文发布，GPT-Live-1.1 仅向 ChatGPT Voice 用户推送。API 版本“即将到来”，暂无具体日期。API 客户继续使用 GPT-Live-1。

开发人员在真实应用程序中使用 AI 生成语音时的披露要求是什么？

OpenAI 政策要求向最终用户披露其正在与 AI 语音互动。此外，欧盟《人工智能法案》等法规也要求对合成音频进行透明度披露。虽然美国联邦法律尚无强制机制，但平台政策及州级规则（如加州）可能适用，团队需根据部署上下文合规。