目次

Custom voices の導入は分岐から始まります。テキストで声を書くか、録音からクローンするか。二つの経路は同じ API 面を共有しません。よくある失敗は、プロンプトで得た voice id を Text to Speech や Realtime に渡し、認証や課金の問題だと決めつけることです。多くの場合、その音声タイプがそのエンドポイントでサポートされていないだけです。以下は公式 Custom voices ガイドに沿います。本日の初出ローンチ記事ではありません—開発者 Changelog では 2026 年 10 月中旬頃に既出です。参考情報として；品質は実測していません。 本番結果のフィードバックは、フッターのサイト管理者連絡先から送れます。

二つの作成経路

経路作り方保存した音声が使える場所
Prompt-to-voice（type: prompt）声質のテキスト記述。参照・同意録音は不要。GPT-Live のみ。 Text to Speech／Realtime／Chat Completions は非対応。
録音クローン同意録音（言語ごとの定型文）＋同一人物の参照サンプル。GPT-Live、Text to Speech API、Realtime API、または音声出力付き Chat Completions（ドキュメント導入部）。

Prompt-to-voice は API 顧客に一般提供です。録音由来の音声は eligible な顧客に限定—OpenAI の sales に問い合わせ、有効化後に Audio 配下の Voices タブを使います。

Prompt-to-voice：作成は無料、利用は GPT-Live

プロンプト生成音声の作成・保存は無料です。Playground での試聴や GPT-Live での発話は、通常の GPT-Live セッション料金で課金されます。

/v1/audio/voices に "type": "prompt"、name、声の説明 prompt、"model": "auto" の JSON を送ります。任意の script_hint（最大 2,000 文字）でスクリプトを誘導できます。空や短すぎるスクリプトは拒否されます。成功レスポンスは id などのメタデータを返しますが、音声プレビューは含みません。聞くには GPT-Live セッションを動かします。

ドキュメント上の上限とプロンプトの作法：

  • 組織あたりプロンプト生成音声は最大 100（アプリが顧客向けに作る分も含む）。
  • 声質—アクセント、感じる年齢、ピッチ、音色、質感、音量、話速、個性—を平易な言葉で書く。
  • 実在の人物・著名人・架空キャラの模倣を求めない。
  • 成人の声のみ。 子どもの声は不可。

GPT-Live では session.audio.output.voice.id に返却 id を入れます。声の再現性のため、元の説明文をアプリの会話指示と並べて session.instructions に含めます。声はセッション開始時に選び、別の保存音声を試すなら新しいセッションを開始します。

録音クローン：同意・サンプル・より広い API

録音クローンには同一話者からのアップロードが二つ必要です。

  1. 同意録音 — 選択言語の公式同意フレーズを一字一句読む（英語例："I am the owner of this voice and I consent to OpenAI using this voice to create a synthetic voice model."）。脚本から外れると失敗します。
  2. サンプル録音 — モデルが合わせる参照。同意録音と同一人物。

同意は /v1/audio/voice_consents、音声作成はサンプルと consent id 付きで /v1/audio/voices。ガイドが挙げる要件：

  • 組織あたり録音音声は最大 20。
  • 各サンプル 60 秒以下。
  • 形式：mpeg／wav／ogg／aac／flac／webm／mp4。
  • 同ガイドの GPT-Live 向け追記：実音声 5 秒以上、十分な転写トークン、アップロード上限（当該経路で例として 10 MiB）—本番前に現行ドキュメントを再確認。

有効化後、録音音声はドキュメント導入部どおり GPT-Live、Text to Speech API、Realtime API、音声出力付き Chat Completions に使えます。プロンプト音声との主な製品差は、この広い面です—品質が常に上という包括主張ではありません。

落とし穴：音声 id を間違った API に渡す

voice_… id を得たからといって、すべての音声エンドポイントが受け入れるわけではありません。

  • プロンプト音声を Text to Speech／Realtime／音声 Chat Completions に渡すとそのタイプでは未サポート。
  • 録音音声でも、プロジェクト権限・同一プロジェクトの有効な同意・eligible 組織が要ります。削除・失効、別プロジェクトの同意、カスタム音声アクセス欠如はエラーになり得ます（GPT-Live 節は一部を 404 様と注記）。

キーや枠を疑う前に、作成経路と実行 API を揃える。

責任ある利用

Custom voices ガイドの責任ある利用は両経路に共通します。

  • 他人のなりすましや Usage Policies 違反をしない。
  • 成人の声のみ。
  • 透明性：聞き手に AI 生成だと伝え、由来メタデータや透かしがあれば保持。
  • 声の一意性は保証されない。
  • 録音音声は Text-to-Speech Supplemental Agreement も参照。

本ページは実在人物のなりすまし手順を案内しません。声質を書くか、公式フローで同意した話者自身のサンプルを使います。

これは何ではないか

  • ChatGPT アプリではない。 ここは OpenAI API の 開発者向け Custom voices 製品の話です。
  • プロンプト音声が全音声 API で動くという主張ではない。 プロンプト＝GPT-Live のみ。
  • 品質の焼き比べではない。 プロンプト対録音は未比較で、中国語・日本語の出力品質も当サイトでは未測定—ロケール結果は未検証として扱う。
  • 本日限りの初出ストーリーではない。 「どの経路／どの API」の常設マップとして使える。