Vozes personalizadas

As vozes personalizadas permitem criar uma voz única para seu agente ou aplicativo. Essas vozes podem ser usadas na saída de áudio com a API de conversão de texto em fala, a Realtime API ou a API chat completions com saída de áudio.

Para criar uma voz personalizada, você fornecerá uma breve amostra de áudio como referência, que o modelo tentará reproduzir.

Como criar uma voz

Atualmente, as vozes devem ser criadas por meio de uma requisição à API. Consulte a referência da API para ver todas as operações disponíveis.

A criação de uma voz exige duas gravações de áudio separadas:

1. Gravação de consentimento: Esta gravação registra o consentimento do locutor para criar uma reprodução da sua voz. O locutor deve ler uma das frases de consentimento fornecidas abaixo.
2. Gravação de amostra: A amostra de áudio que o modelo tentará reproduzir. A voz deve ser a mesma da gravação de consentimento.

Dicas para criar uma voz de alta qualidade

A qualidade da sua voz personalizada depende muito da qualidade da amostra fornecida. Melhorar a qualidade da gravação pode fazer uma grande diferença.

• Grave em um local silencioso, com o mínimo de eco.
• Use um microfone XLR profissional.
• Mantenha uma distância de cerca de 7–8 polegadas do microfone, com um filtro antipop entre você e ele, e preserve essa distância durante a gravação.
• O modelo copia exatamente o que você fornece: tom, cadência, energia, pausas e hábitos. Por isso, grave exatamente a voz que você deseja. Mantenha a mesma energia, estilo e sotaque durante toda a gravação.
• Pequenas variações na amostra de áudio podem resultar em diferenças na qualidade da voz gerada. Experimente várias amostras para encontrar a mais adequada.

Requisitos e limitações

• É possível criar no máximo 20 vozes por organização.
• As amostras de áudio devem ter no máximo 30 segundos.
• As amostras de áudio devem ser de um dos seguintes tipos: mpeg, wav, ogg, aac, flac, webm ou mp4.

Consulte o Contrato Complementar de Conversão de Texto em Fala para conhecer os termos de uso adicionais.

Como criar um consentimento de voz

A gravação de áudio de consentimento deve conter apenas uma das frases a seguir. Qualquer alteração no texto resultará em falha.

Em seguida, envie a gravação pela API. Se o envio for bem-sucedido, a API retornará o ID da gravação de consentimento, que você usará como referência depois. O mesmo consentimento pode ser usado para criar várias vozes diferentes, caso o mesmo locutor esteja fazendo várias tentativas.

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"

Como criar uma voz

Em seguida, você criará a voz em si, informando o ID da gravação de consentimento e fornecendo a amostra de voz.

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"

Se a criação for bem-sucedida, a voz aparecerá na aba Áudio.

Como usar uma voz na geração de fala

A geração de fala funcionará normalmente. Especifique o ID da voz no parâmetro voice ao gerar fala ou ao iniciar uma sessão em tempo real.

Exemplo de conversão de texto em fala

1
2
3
4
5
6
7
8
9
10
11
12
13
14curl https://api.openai.com/v1/audio/speech \
  -X POST \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini-tts",
    "voice": {
      "id": "voice_123abc"
    },
    "input": "Maple est le meilleur golden retriever du monde entier.",
    "language": "fr",
    "format": "wav"
  }' \
  --output sample.wav

Exemplo da Realtime API

Para Ruby, substitua voice_123 pelo ID da sua voz personalizada antes de executar o exemplo.

1
2
3
4
5
6
7
8
9
10
11const sessionConfig = JSON.stringify({
  session: {
    type: "realtime",
    model: "gpt-realtime-2",
    audio: {
      output: {
        voice: { id: "voice_123abc" },
      },
    },
  },
});

1
2
3
4
5
6
7
8
9
10
11# 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",
    audio: { output: { voice: { id: "voice_123" } } }
  }
)
puts(session_config)

Use uma voz personalizada com o GPT-Live

Use uma chave de API com escopo de projeto aprovada tanto para o GPT-Live quanto para a criação de vozes personalizadas. A leitura das frases de consentimento e o uso de uma voz personalizada exigem api.voices.read; a criação de consentimentos e vozes exige api.voices.write e acesso à API de vozes personalizadas. Use o mesmo projeto em todas as requisições e mantenha a chave de API em um servidor confiável.

Prepare as gravações

Liste as frases de consentimento atualmente aceitas antes de gravar:

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

A gravação de consentimento e a amostra de referência devem ser da mesma pessoa. A amostra precisa ter pelo menos cinco segundos de fala efetiva e pelo menos 15 tokens de texto transcrito; o silêncio não conta. Use uma gravação de 10–30 segundos com várias frases completas. Cada envio está limitado a 10 MiB. O serviço extrai a transcrição de referência; não envie tokens de transcrição, não configure um decodificador nem adicione cabeçalhos personalizados à requisição.

Gravadores de navegador podem identificar o áudio como audio/webm;codecs=opus, formato rejeitado pelo endpoint de upload. Ao preparar um upload, use o tipo MIME base compatível audio/webm, preservando os bytes originais do áudio. Use as requisições de criação de consentimento e de voz acima e salve o ID da voz retornado.

Selecione a voz ao criar a sessão

Passe uma voz personalizada como o objeto { "id": "voice_123" }, não como a string "voice_123". Vozes com nome, como "marin", usam strings.

O gpt-live-1 oferece suporte a vozes personalizadas com sotaques do inglês. Para usar um sotaque, também especifique-o em session.instructions, por exemplo, "Speak British English" ou "Speak Irish English." O exemplo abaixo usa inglês britânico; altere a instrução para usar o sotaque desejado na sua voz personalizada.

Inclua a seguinte configuração na sessão inicial:

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

Para WebRTC, o intermediário de sessões confiável coloca essa configuração no campo session do JSON, junto de transport. O endpoint Live exige JSON, não multipart nem SDP bruto. Leia o ID da sessão criada em session.id e a resposta SDP em transport.sdp. Autentique as requisições ao intermediário hospedado com as credenciais do aplicativo; nunca exponha a chave da API da OpenAI ao navegador.

Para WebSockets, coloque a configuração no primeiro evento session.start. Conecte-se sem parâmetros de consulta e aguarde session.started antes de transmitir áudio. Envie áudio com session.input_audio.append. Após enviar session.close, continue recebendo até que session.closed forneça os dados finais de uso.

Trate falhas de acesso e de ciclo de vida

• A voz de saída não pode ser alterada após o início da sessão Live. Inicie uma nova sessão para usar outra voz.
• Uma voz excluída ou revogada, um consentimento de outro projeto ou a falta de acesso a vozes personalizadas podem resultar em um erro 404.
• Áudio malformado, um locutor que não corresponde ao esperado ou uma chave sem escopo de projeto são rejeitados.

Confirme as permissões do seu projeto, os requisitos mínimos de gravação e os limites de upload antes de criar uma voz. Consulte Primeiros passos com o GPT-Live para ver os requisitos de configuração da sessão.