Voix personnalisées

Les voix personnalisées vous permettent de créer une voix pour votre agent ou votre application. Choisissez votre méthode de création :

• À partir d’une description : générez une voix par prompt pour GPT-Live. Décrivez les caractéristiques vocales souhaitées dans un prompt textuel.
• À partir d’un enregistrement : fournissez un enregistrement du consentement et un court échantillon de référence. Vous pouvez utiliser ces voix avec GPT-Live, l’API Text to Speech, la Realtime API ou l’API Chat Completions avec sortie audio.

Pour choisir une voix GPT-Live existante, consultez les options de voix.

Créer une voix à partir d’une description

La génération de voix par prompt crée et enregistre une voix à partir d’une description textuelle. Cette méthode ne nécessite ni enregistrement de référence ni enregistrement du consentement.

Utilisation responsable

• Utilisez les voix de manière responsable. N’usurpez pas l’identité d’autrui et respectez nos politiques d’utilisation.
• Utilisez des voix d’adultes. Les voix d’enfants sont interdites.
• Faites preuve de transparence. Informez votre public que la parole est générée par l’IA. Conservez les métadonnées de provenance, les filigranes et tout autre indicateur de son origine synthétique.
• L’unicité des voix n’est pas garantie. D’autres personnes peuvent générer des voix ou des contenus similaires. Votre accord avec OpenAI continue de régir vos droits de propriété sur les contenus générés.
• Les conditions de service s’appliquent à votre utilisation de la génération de voix par prompt et à celle de vos utilisateurs finaux.

Créer et enregistrer la voix

Créez une voix via l’API ou dans le Playground dédié aux voix. La création d’une voix par prompt est gratuite. Son utilisation pour générer de la parole dans GPT-Live est facturée au tarif habituel des sessions.

Envoyez une requête JSON à /v1/audio/voices en définissant type sur prompt :

1
2
3
4
5
6
7
8
9
10curl --fail-with-body https://api.openai.com/v1/audio/voices \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "type": "prompt",
    "name": "Support assistant",
    "prompt": "A calm, reassuring adult voice for a customer support assistant. Speak with an American English accent, a mid-range pitch, a smooth, warm tone, and a steady, conversational pace.",
    "model": "auto"
  }' \
  -o voice.json

script_hint est un exemple de texte facultatif qui guide la génération de la voix. Si vous l’omettez, le service génère un texte à partir de votre description de la voix. Pour fournir votre propre texte, choisissez un passage représentatif de ce que la voix devra dire, dans la limite de 2 000 caractères. Le service rejette les textes vides ou trop courts.

Chaque requête réussie crée et enregistre une nouvelle voix. La réponse contient des métadonnées, notamment l’identifiant de la voix, son horodatage de création en secondes Unix et le prompt d’origine décrivant la voix. Elle ne contient ni audio ni aperçu :

12345678{
  "object": "audio.voice",
  "id": "voice_123",
  "name": "Support assistant",
  "created_at": 0,
  "type": "prompt",
  "prompt": "A calm, reassuring adult voice for a customer support assistant. Speak with an American English accent, a mid-range pitch, a smooth, warm tone, and a steady, conversational pace."
}

Enregistrez l’id renvoyé et conservez le prompt d’origine. Pour retrouver la même voix dans une autre session, réutilisez la voix enregistrée. Chaque organisation peut créer jusqu’à 100 voix au moyen de prompts. Cette limite s’applique également lorsque votre application crée des voix pour ses clients.

Décrire la voix

Décrivez les caractéristiques de la voix en termes simples. Par exemple :

Une voix d’adulte calme et rassurante pour un assistant du service client.
Parlez avec un accent américain en anglais, dans un registre médium et sur un ton doux et chaleureux.
Gardez un débit régulier, comme dans une conversation.

Voici quelques caractéristiques que vous pouvez décrire. Exprimez-les en toutes lettres dans votre prompt. Elles ne correspondent pas à des paramètres distincts de l’API.

Décrivez les caractéristiques vocales elles-mêmes. Ne demandez pas d’imiter une personne que vous nommez, une personnalité publique ou un personnage de fiction. Les voix d’enfants sont interdites. Décrivez une voix d’adulte.

Exemples de descriptions

Utilisez ces descriptions comme points de départ et écoutez les résultats dans votre application.

Assistant calme

Une voix d’adulte chaleureuse, dans un registre médium, au timbre doux et riche.
Gardez un effort vocal modéré et parlez sans vous presser, d’un ton rassurant.

Guide dynamique

Une voix d’adulte lumineuse et claire, légèrement plus aiguë, avec un peu de grain dans le timbre.
Parlez avec entrain, sur le ton de la conversation, à un rythme soutenu mais facile à suivre.

Placez les règles de conversation dans les instructions de votre session GPT-Live, notamment celles qui précisent la longueur des réponses, la gestion des interruptions et les situations où l’agent doit déléguer.

Écouter la voix dans GPT-Live

L’écoute d’une voix dans le Playground lance une session GPT-Live facturée au tarif habituel.

Attribuez à session.audio.output.voice.id l’identifiant de voix renvoyé. Pour obtenir le rendu vocal souhaité, incluez la description d’origine dans session.instructions avec les instructions de conversation de votre application.

Remplacez voice_123 par l’identifiant renvoyé par votre requête de création :

12345{
  "model": "gpt-live-1",
  "instructions": "You are a helpful voice assistant. A calm, reassuring adult voice for a customer support assistant. Speak with an American English accent, a mid-range pitch, a smooth, warm tone, and a steady, conversational pace.",
  "audio": { "output": { "voice": { "id": "voice_123" } } }
}

Pour WebRTC, placez cette configuration dans le champ JSON session, à côté de transport. Pour WebSockets, incluez-la dans le premier événement session.start. Suivez le guide de connexion pour envoyer de l’audio et écouter la voix. Choisissez la voix au démarrage. Pour en essayer une autre, lancez une nouvelle session.

La création de voix via /v1/audio/voices, y compris à partir d’enregistrements, est incompatible avec la politique de non-conservation des données. La génération de parole avec GPT-Live peut bénéficier de cette politique lorsqu’elle est activée pour votre organisation ou votre projet. Avec cette politique, vous ne pouvez ni conserver des enregistrements de sessions, ni les télécharger, ni créer de session dérivée. Consultez les contrôles des données pour connaître les exigences de stockage et de conservation des sessions.

Affiner et réutiliser la voix

Modifiez une seule caractéristique à la fois et comparez les résultats à l’aide du même court passage et de quelques échanges. À l’écoute, prêtez attention à l’accent, au débit et aux autres caractéristiques dont votre application a besoin. Conservez l’identifiant de la voix que vous préférez pour la réutiliser.

Chaque requête de création enregistre une nouvelle voix. Pour essayer une autre voix enregistrée, lancez une nouvelle session GPT-Live avec son identifiant.

Créer une voix à partir d’un enregistrement

Pour créer une voix à partir d’un enregistrement, fournissez un court échantillon audio de la voix que le modèle cherchera à reproduire.

Préparer et importer les enregistrements

Pour créer une voix à partir d’enregistrements, vous devez envoyer une requête à l’API. Consultez la référence de l’API pour connaître toutes les opérations disponibles.

La création d’une voix à partir d’un enregistrement nécessite deux enregistrements audio distincts :

1. Enregistrement du consentement : la personne dont vous souhaitez reproduire la voix doit y donner son accord en lisant l’une des phrases de consentement ci-dessous.
2. Échantillon vocal : il s’agit de l’extrait audio que le modèle cherchera à reproduire fidèlement. La voix doit être la même que dans l’enregistrement du consentement.

Conseils pour créer une voix de qualité

La qualité de votre voix personnalisée dépend en grande partie de l’échantillon fourni. Un enregistrement soigné peut améliorer sensiblement le résultat.

• Enregistrez dans un endroit calme avec le moins d’écho possible.
• Utilisez un microphone XLR professionnel.
• Placez-vous à environ 18 à 20 cm du micro, avec un filtre anti-pop entre vous et le micro. Gardez la même distance tout au long de l’enregistrement.
• Le modèle reproduit exactement ce que vous lui fournissez, y compris le ton, la cadence, l’énergie, les pauses et les habitudes de diction. Enregistrez donc précisément la voix que vous souhaitez obtenir. Gardez la même énergie, le même style et le même accent du début à la fin.
• De légères variations dans l’échantillon audio peuvent influer sur la qualité de la voix générée. Essayez plusieurs échantillons pour trouver celui qui convient le mieux.

Exigences et limites

• Chaque organisation peut créer au maximum 20 voix à partir d’enregistrements.
• Les échantillons audio doivent durer au maximum 60 secondes.
• Les échantillons audio doivent être dans l’un des formats suivants : mpeg, wav, ogg, aac, flac, webm ou mp4.

Consultez l’accord complémentaire relatif à la synthèse vocale pour connaître les conditions d’utilisation supplémentaires.

Créer un enregistrement du consentement

L’enregistrement audio du consentement doit contenir uniquement l’une des phrases suivantes. Tout écart par rapport au texte entraînera le rejet de l’enregistrement.

Importez ensuite l’enregistrement via l’API. Si l’importation réussit, l’API renvoie l’identifiant de l’enregistrement du consentement, dont vous aurez besoin à l’étape suivante. Si la même personne fait plusieurs essais, vous pouvez utiliser son consentement pour créer plusieurs voix.

1
2
3
4
5
6curl https://api.openai.com/v1/audio/voice_consents \
  -X POST \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F "name=test_consent" \
  -F "language=en" \
  -F "recording=@$HOME/tmp/voice_consent/consent_recording.wav;type=audio/x-wav"

Créer une voix

Créez ensuite la voix en fournissant l’identifiant de l’enregistrement du consentement et l’échantillon vocal.

1
2
3
4
5
6curl https://api.openai.com/v1/audio/voices \
  -X POST \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F "name=test_voice" \
  -F "audio_sample=@$HOME/tmp/voice_consent/audio_sample_recording.wav;type=audio/x-wav" \
  -F "consent=cons_123abc"

Si la création réussit, la voix apparaît dans l’onglet Audio.

Générer de la parole avec une voix créée à partir d’un enregistrement

Utilisez gpt-realtime-2.1-mini avec la Realtime API pour générer de la parole avec votre voix personnalisée. Avant la première réponse audio de la session, attribuez à session.audio.output.voice un objet contenant l’identifiant de la voix.

Configurer la session Realtime

Utilisez le corps de requête suivant pour créer un secret client Realtime, puis suivez le guide de connexion WebRTC pour vous connecter avec ce secret. Remplacez voice_123abc par l’identifiant renvoyé par votre requête de création de voix :

1
2
3
4
5
6
7
8
9
10
11
12
13const sessionConfig = JSON.stringify({
  session: {
    type: "realtime",
    model: "gpt-realtime-2.1-mini",
    instructions: "Read the user's text aloud without adding commentary.",
    output_modalities: ["audio"],
    audio: {
      output: {
        voice: { id: "voice_123abc" },
      },
    },
  },
});

1
2
3
4
5
6
7
8
9
10
11
12
13# Replace the illustrative IDs and URLs below with your own resource values.
require "json"

session_config = JSON.generate(
  session: {
    type: "realtime",
    model: "gpt-realtime-2.1-mini",
    instructions: "Read the user's text aloud without adding commentary.",
    output_modalities: ["audio"],
    audio: { output: { voice: { id: "voice_123abc" } } }
  }
)
puts(session_config)

Pour la synthèse vocale, ajoutez un message utilisateur contenant le texte à lire, puis envoyez response.create en définissant output_modalities sur ["audio"]. Les instructions de session demandent au modèle de lire à voix haute le texte fourni. Récupérez l’audio généré via la piste audio WebRTC, comme indiqué dans la section Gérer l’audio avec WebRTC.

Utiliser une voix créée à partir d’un enregistrement avec GPT-Live

Utilisez une clé API limitée à un projet et autorisée à la fois pour GPT-Live et pour la création de voix personnalisées. Pour lire les phrases de consentement et utiliser une voix personnalisée, vous devez disposer de l’autorisation api.voices.read. Pour créer des consentements et des voix, vous devez disposer de l’autorisation api.voices.write et avoir accès à l’API de voix personnalisées. Utilisez le même projet pour toutes les requêtes et conservez la clé API sur un serveur de confiance.

Préparer les enregistrements

Avant de commencer l’enregistrement, récupérez la liste des phrases de consentement actuellement prises en charge :

curl https://api.openai.com/v1/audio/consent_phrases \
  -H "Authorization: Bearer $OPENAI_API_KEY"

L’enregistrement du consentement et l’échantillon de référence doivent provenir de la même personne. L’échantillon doit contenir au moins cinq secondes de parole effective et sa transcription doit compter au moins 15 tokens. Les silences ne comptent pas. Utilisez un enregistrement de 10 à 60 secondes contenant plusieurs phrases complètes. Chaque fichier importé est limité à 10 Mio. Le service extrait la transcription de référence de votre enregistrement.

Les enregistreurs intégrés aux navigateurs peuvent attribuer à l’audio le type audio/webm;codecs=opus, que le point de terminaison d’importation rejette. Lorsque vous préparez l’importation, utilisez le type MIME de base pris en charge, audio/webm, et conservez les octets du fichier audio d’origine. Utilisez les requêtes ci-dessus pour créer le consentement et la voix, puis enregistrez l’identifiant de voix renvoyé.

Sélectionner la voix à la création de la session

Passez la voix personnalisée sous forme d’objet, par exemple { "id": "voice_123" }. Pour les voix prédéfinies désignées par leur nom, comme "marin", utilisez une chaîne de caractères.

gpt-live-1 prend en charge les voix personnalisées avec différents accents de l’anglais. Pour utiliser un accent, précisez-le également dans session.instructions, par exemple « Parlez en anglais britannique » ou « Parlez en anglais d’Irlande ». L’exemple ci-dessous utilise l’anglais britannique. Adaptez l’instruction à l’accent souhaité pour votre voix personnalisée.

Incluez la configuration suivante au démarrage de la session :

12345{
  "model": "gpt-live-1",
  "instructions": "You are a helpful voice assistant. Speak British English.",
  "audio": { "output": { "voice": { "id": "voice_123" } } }
}

Pour WebRTC, configurez votre serveur d’application pour qu’il place cette configuration dans le champ JSON session, à côté de transport. Authentifiez les requêtes adressées à votre serveur avec les identifiants de l’application et conservez la clé API OpenAI sur le serveur.

Pour WebSockets, placez la configuration dans le premier événement session.start. Suivez le guide de connexion pour transmettre l’audio en continu et fermer la session.

Gérer les erreurs d’accès et de cycle de vie

• Choisissez la voix lors de la création de la session. Pour utiliser une autre voix, lancez une nouvelle session.
• Une voix supprimée ou révoquée, un consentement provenant d’un autre projet ou l’absence d’accès aux voix personnalisées peuvent se traduire par une erreur 404.
• L’API rejette la requête si l’audio est mal formé, si la voix n’est pas celle de la personne qui a donné son consentement ou si la clé n’est pas limitée à un projet.

Avant de créer une voix, vérifiez les autorisations de votre projet, les exigences minimales relatives aux enregistrements et les limites d’importation. Consultez le guide de démarrage de GPT-Live pour connaître les conditions requises pour configurer une session.