OpenAI anunció el 16 de octubre que Prompt-to-voice estaba disponible para todos sus clientes de API. Esta función le permite describir una voz con texto, crearla a través de la API o Voice Playground y guardarla para usarla en llamadas GPT-Live. Según la compañía, crear una voz a partir de una descripción es gratis, mientras que generar voz con ella se factura a las tarifas regulares de sesión de GPT-Live.
Esta distinción es importante para los desarrolladores que construyen una interfaz de voz. La creación gratuita de voz no significa que todo un servicio de voz funcione sin costo. El coste depende del uso posterior y de las condiciones del sistema al que se conecta el sonido. El anuncio no anuncia una reducción de las tarifas de llamadas, y por lo tanto no hay base para actualizar un precio por usuario o una previsión de presupuesto sin comprobar el uso previsto.
Qué se puede crear y qué sistemas usar
Según la documentación, se pueden describir características como el tono, el ritmo, el acento y el carácter de presentación. En esta ruta, no hay necesidad de grabar una muestra o registrar el consentimiento, ya que el sonido se crea a partir de la descripción. Este es un camino diferente de crear una voz basada en la grabación de una persona. OpenAI indica que estas voces están destinadas a GPT-Live y que este proceso no admite su uso en Text to Speech, Realtime ni Chat Completions con audio.
La documentación requiere un uso responsable y transparencia con los oyentes de que el discurso es generado por IA. La compañía prohíbe la suplantación de identidad y limita este flujo de trabajo a voces adultas. También señala que la voz no está garantizada para ser única, y que otros usuarios pueden obtener un resultado similar. Por lo tanto, no debe suponerse que su creación en sí misma proporciona una identidad vocal exclusiva a una marca o el derecho a imitar a una persona en particular.
Cómo evaluar su idoneidad antes de integrarlo en un producto
Una comprobación inicial puede incluir las oraciones que el producto debe decir realmente: nombres, números, instrucciones y transiciones entre idiomas. Vale la pena comprobar si la pronunciación es comprensible y el ritmo se ajusta al contexto. El anuncio no garantiza el soporte específico en hebreo o la disponibilidad uniforme en Israel, y por lo tanto el comportamiento real debe ser examinado en lugar de deducirse de la versión general o la posibilidad de escribir una descripción en hebreo.
Los equipos de producto también deben mantener una alternativa cuando una voz no es adecuada y definir quién revisa el texto confidencial antes de la implementación. Un experimento corto con un escenario representativo puede revelar problemas que no son prominentes en la oración de demostración. No es necesario construir un mecanismo complejo de antemano: el objetivo es asegurar que la voz sirva para la tarea, que los usuarios entiendan su origen y que los costes se midan donde se genera el habla.
La prueba también debe incluir escuchar en el contexto completo donde se usará la voz y asegurarse de que la revelación de voz sintética aparezca donde los oyentes la encuentren. Un buen ejemplo en sí mismo no es una prueba de todo el caso de uso.