要点
音声対話アプリで「この案内は落ち着いた日本語で」といった要件を毎回プロンプトへ混ぜるのではなく、声そのものを先に定義してセッションへ再利用する選択肢が加わりました。OpenAIは10月16日、文章からカスタム音声を作る prompt-to-voice を全API利用者へ提供し、GPT-Liveで使えるようにしたと発表しました。
音声を作る操作自体は無料ですが、発話の生成には通常のGPT-Liveセッション料金がかかります。新たに日本語の自然音声として Harema と Shida も追加されています。
何が変わったのか
従来、声の選択はあらかじめ用意された音声を使う設計が中心でした。今回の更新では、APIまたはVoice Playgroundで文章による説明から声を作成し、その声をGPT-Liveセッションへ再利用できます。声の作成と、会話中に生成される音声の課金は別です。
つまり、問い合わせ窓口、読み上げ教材、ゲーム内キャラクターなどで、声の指示を会話のたびに揺らすよりも、用途ごとの声を定義してから対話フローへ渡せるようになります。ただし、発表は利用可能になったことを示しており、声の品質や特定用途への適合を保証するものではありません。
どこで効くのか
複数画面や複数会話に同じ話者を使うアプリでは、音声の一貫性を設計対象にできます。たとえば予約変更の案内と完了通知で同じ案内役を使う場合、会話本文と声の設定を別々に管理できれば、台本を直す変更と話者を変える変更を混ぜずに済みます。
ここからは編集部の見立てです。採用前に確認すべきなのは「好みの声か」だけではありません。会話の録音を誰が評価できるか、誤案内時にどの音声定義を止めるか、そしてセッション時間が伸びた際の料金をどう監視するかを、テキスト応答と同じ運用表へ入れる価値があります。
導入するか
採用判断
様子見 — 既にGPT-Liveを使い、複数の会話で話者を固定する必要があるチームは小さく試す価値があります。一方、音声機能がないプロダクトでは、声を作ること自体が課題解決になるわけではありません。まずは用途を一つに限定し、実際の発話コストと聞き取りやすさを比べてください。
15分ミニ課題
対象は、音声機能を持つならその会話画面、なければ既存プロダクトの通知文を1本にします。1) 誰が何を伝える声かを一文で書く、2) 口調・言語・避けたい印象を三つに分ける、3) 日本語話者が内容を聞き取れるかを確認する評価項目を三つ決めます。完了条件は、声の説明と評価項目をレビュー可能なメモにし、作成・再生や外部API呼び出しは行わないことです。
確認チェックリスト
- 音声を作る担当者と、会話内容を承認する担当者を分ける必要があるか。
- 生成音声の利用時間と、通常のGPT-Liveセッション料金を同じ予算で追えるか。
- 日本語の固有名詞、数字、緊急案内を含む短い台本で聞き取り評価を行えるか。
参照元
- OpenAI API Changelog（Oct 16） — OpenAI、2026年10月16日更新。prompt-to-voiceの全API利用者への提供、GPT-Liveでの再利用、作成無料と音声生成の通常課金、日本語を含む9音声の追加を掲載。