OpenAI anunció el 16 de octubre de 2026 la disponibilidad de prompt-to-voice para todos los clientes de su API. Permite guardar una voz a partir de una descripción escrita, sin aportar una grabación. La decisión para quien integra un asistente es concreta: crear esa voz es gratuito; generar habla con ella se factura como una sesión habitual de GPT-Live, también al escucharla en el Playground.
Este cambio amplía la personalización del servicio cuya disponibilidad general contamos en septiembre. El resumen del 16 de octubre recogió el anuncio; aquí desarrollamos sus condiciones de integración y sus límites. No hemos realizado llamadas de pago ni pruebas de audio propias.
Una voz guardada, con compatibilidad limitada
Según la documentación de voces personalizadas, el flujo por descripción funciona con GPT-Live. Sus voces no son compatibles con las API Text to Speech, Realtime o Chat Completions. Que estos productos también trabajen con audio no permite trasladarles automáticamente el identificador creado.
La ruta POST /v1/audio/voices, con type igual a prompt, crea una voz guardada y devuelve metadatos y un identificador: la respuesta no contiene audio ni una preescucha. Cada petición correcta guarda una nueva voz. El límite documentado es de 100 voces generadas desde texto por organización, incluidas las creadas por una aplicación para sus clientes. Conviene conservar y reutilizar el identificador elegido, en vez de crear otro en cada conversación.
Para usarla, la configuración de sesión indica ese identificador en session.audio.output.voice.id. OpenAI también indica incluir la descripción original en session.instructions. La voz se elige al iniciar la sesión; probar otra requiere empezar una nueva.
Qué describir y qué comprobar al escuchar
La descripción puede expresar acento, tono, timbre o ritmo de una voz adulta. Las reglas sobre brevedad de respuestas, interrupciones o delegación pertenecen a las instrucciones de conversación: describir una voz pausada no define qué acciones puede ejecutar el asistente.
Ejemplo hipotético, no ejecutado: un equipo de soporte busca una voz adulta de ritmo tranquilo. Guarda su identificador y descripción, escucha el mismo pasaje y varios turnos de conversación, y comprueba pronunciación y claridad antes de reutilizarla. Esas escuchas consumen sesiones facturadas. El texto de la descripción no demuestra por sí solo la calidad del resultado.
También hay voces integradas que no requieren diseñar una nueva. El registro del 16 de octubre añade nueve voces naturales en alemán, francés, hindi, japonés y coreano. La documentación de conversaciones Live recoge las opciones y pide probarlas con los idiomas y la pronunciación que necesita la aplicación.
Descripción, grabación y tratamiento de datos
El acceso general corresponde al flujo desde una descripción. Crear una voz desde una grabación sigue limitado a clientes elegibles y requiere tanto una grabación de consentimiento del hablante como una muestra de su voz. No son el mismo procedimiento ni tienen las mismas condiciones de acceso.
Para las voces por descripción, OpenAI exige voces adultas, prohíbe solicitar imitaciones de personas o personajes y pide informar al oyente de que el habla es generada por IA, conservando los indicadores de origen sintético. Tampoco garantiza que la voz sea única.
Hay además una distinción relevante para proyectos con requisitos de datos: la creación de voces mediante /v1/audio/voices no es compatible con Zero Data Retention, la modalidad de retención cero de datos. La generación de habla en GPT-Live puede ser elegible cuando esa modalidad está habilitada para la organización o proyecto. No debe extenderse esa elegibilidad a todo el proceso de creación y almacenamiento de la voz.
Antes de adoptar el cambio, comprueba que tu aplicación usa GPT-Live, separa el coste de crear la voz del de escucharla y revisa las condiciones de datos de cada etapa. La novedad facilita definir una identidad vocal; su idoneidad para un servicio concreto sigue requiriendo escucharla y evaluar la conversación.