OpenAI、説明文から声を作る「prompt-to-voice（プロンプト・トゥ・ボイス）」を全APIユーザーに提供作成は無料、GPT-Liveに日本語のHaremaとShidaを含む9種の声も追加

OpenAIは2026年10月16日付で、テキストの説明から独自の声を作る「prompt-to-voice（プロンプト・トゥ・ボイス）」を全APIユーザー向けに提供開始したと、開発者向けの変更履歴に記しました。声の作成は無料で、作った声はGPT-Liveのセッションで再利用できます。同じ日にGPT-Liveの標準ボイスが9種増え、日本語は Harema と Shida の2種です。

3行まとめ

1. OpenAIは2026年10月16日、説明文から声を作る prompt-to-voice を全APIユーザー向けに提供開始（変更履歴の記載）。作成は無料、組織あたり最大100個まで保存できる
2. 作った声は GPT-Live（gpt-live-1）専用。Text to Speech・Realtime・Chat Completions の各APIでは使えない
3. GPT-Liveの標準ボイスに9種が追加。日本語は Harema と Shida、ほかにドイツ語3・フランス語2・ヒンディー語1・韓国語1

本記事の内容は、日本時間10月17日1時台に公式ページで確認したものです。

prompt-to-voiceでは何ができるのか

OpenAIの「Custom voices」ガイドによると、声の作り方は2通りあります。

• 説明から作る（prompt-to-voice）: 声の特徴を文章で書くと、その声が作られて保存される。GPT-Live向け。参照録音も同意録音も要らない
• 録音から作る: 同意の録音と短い参照サンプルを用意する。GPT-Live、Text to Speech API、Realtime API、音声出力つきChat Completions APIで使える

今回の発表は前者です。API（/v1/audio/voices に type を prompt にして送る）か、ボイスのプレイグラウンドから作れます。リクエストには名前（name）、声の説明（prompt）、モデル（ガイドの例では auto）を入れます。任意で script_hint に最大2,000文字の見本の台詞を渡せます。省略すると、サービスが説明から台本を作ります。

成功するたびに新しい声が1つ保存され、レスポンスにはIDや作成時刻、元の説明文などのメタデータが入ります。音声や試聴用の音は含まれません。同じ声を別のセッションで使うには、返ってきたIDを保存し、元の説明文も手元に残します。

説明文には何を書くのか

ガイドは、声の特徴を普通の言葉で書くよう勧めています。表に挙がっている観点は次の9つです。これらはプロンプト中の言葉であり、独立したAPIパラメータではないと明記されています。

ガイドの例文は、たとえば「カスタマーサポート向けの、落ち着いて安心感のある大人の声。アメリカ英語のアクセント、中域のピッチ、なめらかで温かい音色、安定した会話のペース」といった内容です（英語原文の趣旨）。

誰がいつから使えるのか、日本では

ガイドは次のように書いています。

Prompt-to-voice is generally available to all API customers. （prompt-to-voiceは、すべてのAPI顧客に一般提供されている。）

変更履歴の日付は10月16日です。時刻やタイムゾーンは書かれていません。日本のAPIユーザーに限った記載は、今回取得した2ページには見当たりませんでした。「全API顧客」という書き方に日本が含まれる、というのが読み取れる範囲です。

一方、録音から作る声は別扱いです。ガイドは「適格な顧客に限られる。詳しくは営業チームへ」と書いています。録音から作れるのは組織あたり20個まで、サンプルは30秒以内という条件も載っています。

料金は

GPT-Liveのセッション料金については、2026年9月10日の変更履歴（GPT-Liveの一般提供の告知）に「音声セッションは1分あたり0.05ドルで、秒単位で課金。バックエンドのモデルやツールの利用は別に課金」と書かれています。今回の項目は料金の変更に触れていませんが、最新の金額は公式の料金ページでも確認してください。

制約はどこにあるのか

ガイドに書かれている条件を並べます。

• 対応するAPIはGPT-Liveだけ: プロンプトで作った声は、Text to Speech・Realtime・Chat Completionsには非対応
• 声の指定は開始時のみ: セッションの開始時に session.audio.output.voice.id へIDを渡す。別の声を試すには新しいセッションを始める
• 指示文にも説明を入れる: 声らしさを出すには、元の声の説明を session.instructions にも入れるよう、ガイドが案内している
• Zero Data Retention（データ非保持）とは両立しない: /v1/audio/voices での声の作成は、録音からの作成も含めZero Data Retentionと互換性がない。GPT-Liveの音声生成そのものは、組織やプロジェクトで有効にしていれば対象になる
• 責任ある利用: 他人のなりすましは不可。大人の声のみで、子どもの声は不可。AI生成であることを聞き手に伝え、出所を示すメタデータや透かしを残す。声が一意である保証はなく、他者が似た声を作る可能性がある

実在の人物や架空のキャラクターの模倣を求めないことも、ガイドに明記されています。

GPT-Liveに追加された9種の標準ボイス

変更履歴によると、同じ日にGPT-Live向けの「natural voices」が9種追加されました。

日本の開発者にとっては、日本語の声が標準で2種選べるようになった点が直接関係します。声の性別や年齢感、音の傾向は、今回取得したページには書かれていませんでした。ガイドが案内する「Voice options」のページは取得していないため、そちらに載っている可能性があります。

前の状態と何が違うのか

GPT-Liveは、2026年9月10日の変更履歴で「APIで一般提供になった」と記されたモデルです。バックエンドのモデルやエージェントが推論やツール実行をしている間も続けられる、全二重（フルデュプレックス）の音声会話を作れるとされています。10月15日にはDecisions APIとの連携が加わりました。この連携は、別記事「OpenAI、GPT-LiveにDecisions API連携を追加」で扱っています。

今回の違いは、録音の用意が要らない「説明文から作る」方法が、全APIユーザーに開いたことです。説明文を書き、聞き、直し、気に入ったIDを残して使い回す、という流れになります。ガイドは「一度に1つの特徴だけ変え、同じ短い文と数回のやり取りで比べる」ことを勧めています。

公式ページを見て気づいたこと

日本時間10月17日1時55分に Custom voices のガイドを取得して読んだ範囲では、説明文の例とサンプルのリクエストがすべて英語でした。アクセントの例もアメリカ英語です。日本語のアクセントや日本語話者らしい声を、prompt-to-voiceでどこまで指定できるかを示す記述は、このページには見当たりませんでした。

また、録音から作る声の節には「gpt-live-1 は英語のアクセントつきのカスタム音声に対応する」とあります。これは録音から作る声についての記述で、プロンプトで作る声に同じ制限があるかは、取得したページからは判断できません。筆者はこの機能を試していないため、日本語の声がどこまで作れるかは確認できていません。

確認できていないこと

• 日本語の説明文で日本語の声を作れるか、日本語の声質をどこまで指定できるかは、取得した2ページに記載が見当たらない
• 追加された9種の標準ボイスの音の特徴は未確認（「Voice options」ページは未取得）
• 変更履歴の「Oct 16」が何時（どのタイムゾーン）の出来事かは書かれていない
• GPT-Liveの料金額は9月10日の変更履歴の記載（1分0.05ドル）によるもので、料金ページそのものは取得していない
• 筆者は実際に声を作る操作を試していない。以上はすべてOpenAIの公式ページの記載である

公式ページ一覧と確認時刻

• Changelog | OpenAI API（日本時間2026年10月17日 1時54分に取得）
• Custom voices | OpenAI API（同 1時55分に取得）

本記事は続報があり次第更新します。