OpenAI เปิด prompt-to-voice ให้ลูกค้า API ทุกราย: พิมพ์บรรยายเสียงแล้วได้เสียงใหม่ใช้กับ GPT-Live ฟรี (สร้างได้ 100 เสียงต่อองค์กร) พร้อมเสียงใหม่ 9 เสียง เยอรมัน ฝรั่งเศส ฮินดี ญี่ปุ่น เกาหลี — ยังไม่มีไทย
OpenAI เพิ่มรายการใน API changelog เมื่อ 16 ต.ค. 2026 ว่า prompt-to-voice ใช้ได้กับลูกค้า API ทุกรายแล้ว ฟีเจอร์นี้สร้างเสียงพูดใหม่จากคำบรรยาย เช่น “เสียงผู้ใหญ่ โทนอุ่น พูดช้า สำเนียงอเมริกัน” ไม่ต้องอัดเสียงต้นแบบและไม่ต้องอัดคลิปยินยอม ได้ voice ID ที่นำไปใช้ซ้ำในเซสชัน GPT-Live ได้ทุกครั้ง การสร้างเสียงไม่มีค่าใช้จ่าย ส่วนตอนพูดจริงคิดตามอัตราเซสชัน GPT-Live ปกติ
ประกาศเดียวกันเพิ่มเสียง natural ให้ GPT-Live อีก 9 เสียง ในภาษาเยอรมัน ฝรั่งเศส ฮินดี ญี่ปุ่น และเกาหลี ก่อนหน้านี้แค่วันเดียว (15 ต.ค.) OpenAI เพิ่งต่อ Decisions เข้ากับ GPT-Live แบบ native ด้วย ทำให้ voice agent สั่งงาน backend ได้ระหว่างที่ผู้ใช้ยังพูดอยู่ ทั้งสองเรื่องนี้ทำให้ GPT-Live ใกล้เคียงชุดเครื่องมือทำ voice agent ครบวงจรมากขึ้น
ใช้งานอย่างไร
ส่ง JSON ไปที่ POST /v1/audio/voices โดยตั้ง "type": "prompt" ใส่ name ใส่ prompt ที่บรรยายเสียง และตั้ง "model": "auto" จะใส่ script_hint ซึ่งเป็นสคริปต์ตัวอย่างยาวไม่เกิน 2,000 ตัวอักษร เพื่อนำทางการสร้างเสียงด้วยก็ได้ ถ้าไม่ใส่ ระบบจะเขียนสคริปต์ให้เอง จะสร้างผ่าน voice Playground บนเว็บแทนก็ได้
สิ่งที่ได้กลับมาเป็น metadata อย่างเดียว คือ id, เวลาสร้าง และ prompt เดิม ไม่มีไฟล์เสียงตัวอย่างให้ฟัง ถ้าอยากฟังต้องเปิดเซสชัน GPT-Live แล้วตั้ง session.audio.output.voice.id เป็น ID นั้น การฟังทดสอบใน Playground ก็นับเป็นเซสชันที่เสียเงินเหมือนกัน เอกสารแนะนำให้ใส่คำบรรยายเสียงต้นฉบับไว้ใน session.instructions ด้วย เพื่อให้น้ำเสียงตรงกับที่ตั้งใจ และต้องเลือกเสียงตอนเริ่มเซสชันเท่านั้น ถ้าจะเปลี่ยนเสียงต้องเปิดเซสชันใหม่
คำบรรยายควรพูดถึงคุณสมบัติของเสียงโดยตรง ได้แก่ สำเนียง อายุ ระดับเสียง โทน ความแหบ ความดัง ความเร็ว และความโดดเด่นของเสียง ส่วนค่าใช้จ่ายของ GPT-Live ตามหน้า pricing คือ $0.05 ต่อนาที คิดเป็นรายวินาที ส่วนโมเดล backend และ tool ที่เรียกใช้คิดเงินแยกต่างหาก
ข้อจำกัดที่ควรรู้ก่อนวางสถาปัตยกรรม
- ใช้ได้กับ GPT-Live เท่านั้น เสียงที่สร้างจาก prompt ยังใช้กับ Text to Speech API, Realtime API หรือ Chat Completions แบบมีเสียงไม่ได้ ระบบที่ผสม GPT-Live กับ TTS ธรรมดาจึงยังใช้เสียงเดียวกันทั้งระบบไม่ได้
- เพดาน 100 เสียงต่อองค์กร และนับรวมเสียงที่แอปสร้างให้ลูกค้าปลายทางด้วย แพลตฟอร์มที่จะให้ลูกค้าแต่ละรายออกแบบเสียงเองจะชนเพดานเร็ว
- การสร้างเสียงใช้ร่วมกับ Zero Data Retention ไม่ได้ (รวมถึงการสร้างจากไฟล์อัดเสียง) แต่การพูดใน GPT-Live ยังเข้าเงื่อนไข ZDR ได้ตามปกติ
- กติกาการใช้งาน: ห้ามเลียนเสียงบุคคล ห้ามขอเสียงคนดังหรือตัวละคร ห้ามเสียงเด็ก ต้องบอกผู้ฟังว่าเป็นเสียง AI และ OpenAI บอกชัดว่าเสียงที่ได้ไม่รับประกันว่าจะไม่ซ้ำกับของคนอื่น ใครคิดจะใช้เป็นเสียงประจำแบรนด์ต้องคำนึงข้อนี้
- การโคลนเสียงจากไฟล์อัดเสียง (ซึ่งใช้ได้ทั้ง TTS, Realtime และ Chat Completions) ยังจำกัดเฉพาะลูกค้าที่ผ่านการอนุมัติผ่านทีมขายเหมือนเดิม
เสียงใหม่ 9 เสียง และยังไม่มีภาษาไทย
เสียงที่เพิ่มมาคือ Nuri, Juni, Flitz (เยอรมัน) · Brise, Sillage (ฝรั่งเศส) · Nira (ฮินดี) · Harema, Shida (ญี่ปุ่น) · Noeul (เกาหลี) รวมกับเสียงเดิมแล้ว ตารางเสียงเสริมของ GPT-Live มี 21 เสียง ส่วนที่เหลือเป็นภาษาอังกฤษสำเนียงต่างๆ และโปรตุเกสแบบบราซิล เสียงที่ใกล้ภูมิภาคเรามากที่สุดคือ Beacon ซึ่งเป็นภาษาอังกฤษสำเนียงฟิลิปปินส์และเป็นเสียงแบบ Generated ไม่มีเสียงภาษาไทยหรือภาษาอื่นในอาเซียนเลย เอกสารเองก็แนะนำให้ทดสอบเสียงกับภาษาและการออกเสียงที่แอปต้องใช้จริงก่อน
มุมมอง AI Curator
สิ่งที่น่าสนใจกว่าตัวฟีเจอร์คือทิศทางของ OpenAI ที่ผูกความสามารถด้านเสียงใหม่ๆ ไว้กับ GPT-Live ฟีเจอร์ใหม่ทั้งชุด ทั้ง voice ID, Decisions และ delegation ไม่ได้ย้อนกลับไปใส่ใน Realtime API หรือ TTS ทีมที่กำลังเลือก stack สำหรับ voice agent ควรมองว่า GPT-Live คือเส้นทางหลักที่ OpenAI จะลงทุนต่อ ส่วน API เสียงรุ่นก่อนๆ น่าจะได้แค่การดูแลต่อเนื่อง
สำหรับนักพัฒนาไทย ความน่าสนใจมีสองด้าน ข้อดีคือการได้เสียงประจำแบรนด์โดยไม่ต้องจ้างนักพากย์และไม่ต้องทำเอกสารยินยอมโคลนเสียง ช่วยลดต้นทุนเริ่มต้นของ call center หรือผู้ช่วยในแอปได้จริง ข้อเสียคือรายชื่อเสียงทางการยังข้ามภาษาไทยไป และ “สำเนียง” ใน prompt เป็นแค่คำบรรยาย ไม่ได้รับประกันว่าการออกเสียงไทย วรรณยุกต์ หรือชื่อเฉพาะจะถูกต้อง ทีมที่ทำงานภาษาไทยจริงจังควรทดสอบกับบทพูดจริง เช่น ตัวเลข ชื่อคน และคำทับศัพท์ ก่อนตัดสินใจเลือกระหว่างเสียงสังเคราะห์จาก OpenAI กับผู้ให้บริการ TTS ภาษาไทยในประเทศ
ประเด็นสุดท้ายที่ไม่ควรมองข้ามคือประโยค “voices aren’t guaranteed to be unique” เมื่อทุกคนสร้างเสียงจากคำบรรยายคล้ายๆ กันได้ เสียงประจำแบรนด์ที่ได้จากระบบนี้อาจไปซ้ำกับคู่แข่ง ถ้าเอกลักษณ์ของเสียงสำคัญต่อธุรกิจ ช่องทางโคลนจากเสียงจริงที่มีสัญญาชัดเจนยังเป็นทางที่ปลอดภัยกว่า
แหล่งข่าว
อ่านเพิ่มในหมวด เครื่องมือนักพัฒนา
Betelgeuse รัน Qwen3.8 Flash Next ขนาด 68GB บน RTX 3060 กับแรม 16GB ส่วน Basalt วัดให้เห็นว่าเอนจินที่เร่งด้วยแฟล็กลัดทำให้โมเดลลืมของ
Betelgeuse ฟอร์ก llama.cpp ที่เปิดเมื่อ 31 ต.ค. ดึง expert จาก NVMe เข้า VRAM ตามต้องการ อ้าง 22 tok/s แบบไม่ทิ้ง expert แต่ README เตือนเองว่ายังทดลองและตัวเลขมาจากคนละรอบ วันเดียวกันผู้พัฒนา Basalt เผยผลวัดว่าแฟล็กเร่งความเร็วทำคุณภาพ Q8 ตกไปใกล้ Q2
กฎห้ามโคลนเกมของ Claude Code เริ่มกระทบงานจริง บริษัทรับทำเกมกระดานร้องงานลูกค้าหยุด แต่รายงานหลายชิ้นปนกับตัวกรองไซเบอร์คนละเรื่อง
ต่อจากที่เราพบกฎนี้ในไบนารี Claude Code ผู้ใช้เริ่มรายงานว่างานเชิงพาณิชย์ถูกปฏิเสธ และ Tom's Hardware กับ Mashable หยิบไปรายงาน แต่เมื่อไล่ issue ที่อ้างถึง พบว่าหลายรายการเกิดก่อนกฎจะมา จึงน่าจะเป็นตัวกรองด้านไซเบอร์ ส่วน Anthropic ยังไม่ชี้แจง
Claude Code ส่ง transcript ของ background agent ให้โมเดลทุก ~30 วินาทีเพื่อเขียนสถานะ 3–5 คำ ผู้วัดรายงานกินราว 16% และยังปิดแบบทางการไม่ได้
รายงานอิสระพบว่าฟีเจอร์ agent_summary ของ Claude Code ส่ง transcript เต็มของ background agent ไปถามสถานะทุก ~30 วินาที คิดเป็น 16.4% ของค่าใช้จ่ายในระบบของผู้วัด Issue เปิดมาตั้งแต่ ส.ค. ยังไม่มีสวิตช์ปิดที่รองรับ เราตรวจพบโค้ดนี้ใน 2.1.314 และพบกฎใหม่เรื่องเกมที่ไม่อยู่ใน changelog