自定义音色

自定义音色可让您为智能体或应用创建独特的声音。这些音色可用于 文本转语音 API、Realtime API 或支持音频输出的 Chat Completions API 的音频输出。

要创建自定义音色，您需要提供一小段音频样本作为参考，模型会尝试复现其中的声音。

创建音色

目前，必须通过 API 请求创建音色。有关完整的 API 操作，请参阅 API 参考。

创建音色需要两份独立的录音：

1. 授权录音： 这份录音用于记录配音者同意创建与其声音相似的音色。配音者必须朗读下方提供的一条授权声明。
2. 样本录音： 模型将尝试模仿的实际音频样本。样本中的声音必须与授权录音一致。

创建高质量音色的建议

自定义音色的质量在很大程度上取决于您提供的样本质量。改善录音质量可以显著提升效果。

• 在安静且回声尽可能小的空间内录音。
• 使用专业的 XLR 麦克风。
• 与麦克风保持约 7–8 英寸的距离，在您与麦克风之间放置防喷罩，并始终保持这一距离。
• 模型会原样模仿您提供的声音，包括语调、节奏、活力、停顿和说话习惯，因此请准确录下您想要的声音。录音全程应保持一致的活力、风格和口音。
• 音频样本中的细微变化可能导致生成音色的质量有所不同。请尝试多个样本，找出最合适的一个。

要求与限制

• 每个组织最多可创建 20 个音色。
• 音频样本的时长不得超过 30 秒。
• 音频样本必须采用以下格式之一：mpeg、wav、ogg、aac、flac、webm 或 mp4。

有关其他使用条款，请参阅《文本转语音补充协议》。

创建声音授权

授权录音必须仅包含以下声明中的一条。任何偏离原文的内容都会导致失败。

然后通过 API 上传录音。上传成功后，API 会返回授权录音的 ID，供您后续引用。请注意，如果同一位配音者进行多次尝试，可以使用同一份授权创建多个不同的音色。

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"

创建音色

接下来，引用授权录音的 ID 并提供声音样本，即可创建实际使用的音色。

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"

创建成功后，音色会显示在音频选项卡中。

在语音生成中使用音色

语音生成的使用方式与往常相同。在创建语音或启动实时会话时，在 voice 参数中指定音色 ID。

文本转语音示例

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

Realtime API 示例

运行 Ruby 示例前，请将 voice_123 替换为您的自定义音色 ID。

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)

在 GPT-Live 中使用自定义音色

请使用限定于项目范围且已获准用于 GPT-Live 和自定义音色创建的 API 密钥。 读取授权声明和使用自定义音色需要 api.voices.read 权限；创建授权和音色需要 api.voices.write 权限以及 自定义音色 API 访问权限。所有请求都应使用同一个项目，并将 API 密钥 保存在受信任的服务器上。

准备录音

录音前，请列出当前支持的授权声明：

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

授权录音和参考样本必须来自同一个人。 样本必须包含至少 5 秒的实际语音，且转写文本至少包含 15 个 Token； 静音不计入时长。请使用一段时长为 10–30 秒、 包含多个完整句子的录音。每次上传的大小上限为 10 MiB。 服务会提取参考转写文本；请勿上传转写文本的 Token、 配置解码器或添加自定义请求标头。

浏览器录音工具可能会将音频标记为 audio/webm;codecs=opus，但上传端点 会拒绝此类型。构建上传请求时，请使用受支持的基础 MIME 类型 audio/webm，同时保留原始音频字节。使用上文的同意录音和音色 创建请求，然后保存返回的音色 ID。

在创建会话时选择音色

请以对象 { "id": "voice_123" } 的形式传入自定义音色，而不是使用字符串 "voice_123"。"marin" 等命名音色则使用字符串。

gpt-live-1 支持带有英语口音的自定义音色。要使用某种口音，还需 在 session.instructions 中指定，例如 "Speak British English" 或 "Speak Irish English."。以下示例使用英式英语；请修改指令， 使其符合您希望自定义音色采用的口音。

在初始会话中包含以下配置：

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

对于 WebRTC，可信的会话代理服务 会将此配置放在 JSON 的 session 字段中，与 transport 字段并列。 Live 端点要求使用 JSON，而非 multipart 或原始 SDP。读取已创建的 会话 ID 时使用 session.id，读取 SDP 应答时使用 transport.sdp。请使用应用凭据 对发往托管代理服务的请求进行身份验证；切勿向浏览器暴露 OpenAI API 密钥。

对于 WebSockets，请将配置 放在第一个 session.start 事件中。建立连接时不要使用查询参数，并等待 session.started 后再开始流式传输音频。使用 session.input_audio.append 发送音频。发送 session.close 后，请继续接收，直到 session.closed 提供最终用量。

处理访问和生命周期故障

• Live 会话开始后，无法更改输出音色。要使用其他音色，请启动新会话。
• 音色已被删除或撤销、同意录音来自其他项目，或缺少自定义音色访问权限，都可能表现为 404 错误。
• 音频格式有误、说话人不匹配，或密钥未限定在项目范围内，都会导致请求被拒绝。

创建音色前，请确认您项目的权限、录音的最低要求和上传限制。 有关会话设置要求，请参阅 GPT-Live 入门 。