OPENAI SEARCH INSIGHT

2026.10.17 / OpenAI最新情報

OpenAI、GPT-Live向けprompt-to-voiceを全API顧客に公開

この記事で分かること: OpenAIが公開したprompt-to-voiceの機能、料金、GPT-Liveでの再利用方法、日本語音声開発で確認すべき実務上のポイントを知りたい。

OpenAIは2026年10月16日、テキストによる説明からカスタム音声を作るprompt-to-voiceを全API顧客向けに公開した。作成した音声はAPIまたはvoice Playgroundで生成でき、GPT-Liveのセッションで再利用できる。

プロンプト生成音声そのものの作成は無料で、実際に音声を生成する際には通常のGPT-Liveセッション課金が適用される。あわせてGPT-Liveには日本語を含む9種類の自然な音声が追加され、日本語向けにはHaremaとShidaが提供された。

OpenAIが公開したprompt-to-voiceとは

prompt-to-voiceは、音声の特徴をテキストで記述し、その説明に基づくカスタム音声を作成するOpenAIの機能である。公式発表では、利用者はAPIまたはvoice Playgroundを通じて音声を作成できるとしている。

従来のように、提供済みの音声候補から用途に近いものを選ぶだけではなく、テキストの指示を起点に音声を用意し、会話セッションへ持ち込める点が今回の更新の中心になる。公式に確認できる対象モデルはgpt-live-1である。

ただし、公式発表文は音声の説明文に使える表現、生成される音声の細かな制御項目、音声の保存期間や管理仕様までは示していない。導入時には、実装前にAPIの最新仕様および管理画面上の挙動を個別に確認する必要がある。

APIとvoice Playgroundで作成し、GPT-Liveへ再利用

公式情報では、カスタム音声の作成経路としてAPIとvoice Playgroundが挙げられている。関連APIはv1/audio/voicesで、作成済みの音声はGPT-Liveセッションで再利用する設計とされる。

GPT-Liveのセッションに関するAPIとしてはv1/live/sessionsが示されている。つまり、音声を生成する処理と、ライブ音声対話のセッションを扱う処理は、公式の分類上は別のAPI領域として案内されている。

実務では、まず開発・音声デザイン担当がvoice Playgroundで説明文と出力傾向を検討し、採用した音声をアプリケーション側のGPT-Live利用に接続する流れが考えられる。これは公式の機能構成に基づく編集部の整理であり、OpenAIが特定の開発手順として公表したものではない。

料金の確認点：音声作成は無料、発話生成は通常課金

今回の料金上の重要点は、プロンプトからの音声作成は無料と明記されていることである。一方で、作成済み音声を用いて実際の音声を生成する処理は無料とはされていない。

OpenAIは、音声生成には通常のGPT-Liveセッション料金がかかるとしている。検証環境で複数の声を試作するコストと、本番運用で会話を継続するコストは、分けて見積もるべきだろう。

公式発表には、GPT-Liveセッション料金の具体的な単価、無料作成の回数上限、作成できる音声数、課金の集計単位は記載されていない。そのため、予算策定では未公表の条件を推測せず、利用時点の公式料金・API仕様を確認することが重要になる。

追加された9種類の自然な音声

OpenAIはGPT-Live向けに9種類の自然な音声を追加した。言語別の追加音声は、ドイツ語がNuri、Juni、Flitz、フランス語がBrise、Sillage、ヒンディー語がNira、日本語がHarema、Shida、韓国語がNoeulである。

• ドイツ語：Nuri、Juni、Flitz
• フランス語：Brise、Sillage
• ヒンディー語：Nira
• 日本語：Harema、Shida
• 韓国語：Noeul

日本市場でGPT-Liveを用いる開発チームにとっては、HaremaとShidaが追加されたことが直接の確認事項となる。ただし公式発表は各音声の話者像、年齢印象、話速、アクセント、感情表現の差異を説明していないため、名称だけから用途適性を判断すべきではない。

日本の音声AI実装で見直すべき項目

ここからは公式発表で確認された機能を前提とするAgent Memories編集部の考察である。prompt-to-voiceの導入可否は、音声の自然さだけでなく、プロダクト内で声が担う役割を言語化できるかで評価する必要がある。

例えば、顧客対応、社内支援、学習支援、案内端末などでは、同じ「親しみやすい声」という要件でも、求める話速、抑揚、簡潔さ、落ち着きは異なる。音声説明の作成前に、利用シーンごとに聞き手、会話時間、失敗時のフォールバックを整理したい。

また、日本語のHaremaとShida、あるいはプロンプト生成音声を比較する場合は、短い定型応答だけで結論を出さないことが重要だ。固有名詞、数字、英数字、敬語、長文説明、割り込みを含む会話など、本番に近い評価セットを用意する必要がある。

音声はブランド接点になり得るため、プロンプト文の変更権限、承認手順、採用音声の識別方法も検討対象になる。音声を作れることと、組織として一貫した音声体験を維持できることは別の課題である。

Agent Memories編集部の考察

prompt-to-voiceは、会話AIの差別化を「モデルの応答内容」だけでなく「発話の設計」へ広げる更新とみられる。既製音声の選択肢追加と、説明文からの音声作成を同時に提供したことで、試作の入り口は広がった。

一方、音声の個性を強くするほど、発話の内容との不整合や、利用者が抱く期待とのずれも目立ちやすくなる。専門性が高い支援では信頼感、子ども向けでは分かりやすさ、多言語案内では聞き取りやすさなど、評価軸を用途別に分けるべきである。

特に多言語プロダクトでは、言語ごとに声を増やすだけで体験が統一されるとは限らない。ブランドらしさを何で定義するか、各言語で同じ人格印象を目指すのかを決めたうえで、追加音声とカスタム音声の使い分けを設計することが望ましい。

よくある質問

prompt-to-voiceは誰が利用できるのか

OpenAIの公式発表では、prompt-to-voiceは全API顧客向けにリリースされたとされている。発表文には、地域別の提供状況や個別プランごとの追加条件は記載されていない。

カスタム音声の作成に料金はかかるのか

プロンプトで生成する音声の作成は無料とされている。ただし、その音声を使った発話生成には通常のGPT-Liveセッション課金が適用される。作成無料と音声対話の運用無料を同一視しないことが必要だ。

作成した音声はどこで利用できるのか

公式発表で明示されている再利用先はGPT-Liveセッションである。GPT-Live以外の製品、API、用途での利用可否は、この発表文だけでは確認できない。

日本語で追加された音声は何か

GPT-Liveに追加された日本語音声はHaremaとShidaである。OpenAIは今回の発表で、両音声の詳細な音質特性や推奨ユースケースまでは公表していない。

まとめ

OpenAIは2026年10月16日、テキスト説明からカスタム音声を作り、GPT-Liveで再利用できるprompt-to-voiceを公開した。作成は無料で、発話生成は通常のGPT-Liveセッション課金となる。日本語ではHaremaとShidaを含む9音声も追加された。

開発チームは、まず既製の日本語音声とプロンプト生成音声を同じ評価条件で比較し、会話品質、ブランド適合性、運用管理、セッション課金を確認したい。公式に示されていない仕様や条件は補完せず、実装時点のOpenAI公式ドキュメントで検証するのが安全である。

本カテゴリはMiraigent / Agent Memoriesによる非公式編集記事です。OpenAIとの提携・承認・後援を示すものではありません。