アプリに、ぴったりの声を

Points

おさえるところ

• 共有されたOpenAIDevsの投稿には「Give them a voice that fits.」とある。「そのアプリに合った声をつけよう」という意味（筆者の訳）。公式の日本語訳ではない。更新履歴の10月16日項目では、文章から声を作る機能を全API顧客向けに一般提供した、と案内している
• 同じ項目に、ドイツ語・フランス語・ヒンディー語・日本語・韓国語向けの追加音声が載っている。今回追加されたのは、5言語に合計9種類。日本語の項目にはHaremaとShidaが載っていて、APIでは `harema`、`shida` と指定する。画面に見える名前と、アプリが送る指定名は区別しておく
• 今回の発表を、アプリを作らない読者に引きつけると、今後使う問い合わせ窓口や案内アプリで、サービスに合わせた声に出会う可能性がある、ということ。ただし、それぞれのアプリがこの機能を採用するかは、その開発者の判断。今日からすべてのアプリの声が変わる、という意味ではない
• prompt-to-voice（文章から声を作る機能）は、声の高さ、音色、話す速さなどを言葉で説明する入口。誰かの録音を用意しなくても、声を作って保存できる、と公式ガイドは説明している。ただし、これらは説明文に書く特徴で、数値を入れれば音色が正確に固定される設定項目ではない。仕上がりは聞いて確認する
• 文章からの声作成が成功すると、保存された声を指定するID（番号札）が返る。毎回新しい声を作り直す代わりに、そのIDを使って、会話の開始時に声を選ぶ。声を変えるには、新しいセッション（接続して会話するひとまとまり）を開始する。会話の途中で声だけを自由に入れ替える、という説明にはしない
• 文章から作った声は、公式ではGPT-Liveで使う方式として案内されている。同じ声がText to Speech、Realtime、音声出力のChat Completionsでも使えるとは読み替えられない。今回のAPIの指定モデルは `gpt-live-1` で、ChatGPTなどのVoice更新で紹介された1.1の案内と同一のものとして扱わない
• 「カスタムボイス」という言葉には、文章から作る方式と、本人の録音をもとに作る方式が含まれる。録音をもとにする方式は、対象となる顧客に限定され、同意の録音と参照用の音声が必要。今回の「全API顧客向け」は、文章から作る方式についての説明
• 2026年10月17日時点で、文章から声を作る機能は全API顧客向けの一般提供と案内されている。ChatGPTの無料アカウントを持っているだけで、APIの音声会話が無料になるという条件ではない。声の作成自体は無料と案内されているが、作った声をPlaygroundで聞く操作は通常のGPT-Liveセッションとして課金される
• GPT-Live-1の音声セッションは、1分0.05米ドル。請求は秒単位で、1分未満を次の1分へ切り上げないと説明されている。10分なら音声セッション部分は0.50米ドル、100回の会話を各3分行う想定なら、300分で15米ドル。これは裏側のモデルや道具の利用料、アプリを動かす費用を含まない。円換算と税の最終額は、請求表示で確認する
• 公式ガイドは、文章からの声作成に成人の声を使い、子どもの声を作らないよう求めている。実在する人物、公人、架空のキャラクターの名前を挙げて、模倣を求めないことも説明している。聞く人にはAIが生成した音声だと伝える。Zero Data Retention（ZDR）は、声を作る処理は非対応で、GPT-Liveの音声生成は設定が有効なら対象になり得ると説明されている。私は今回の新しい声を試聴していない