类人速度超快语音响应！OpenAI推出新旗舰模型GPT-4o

直播演示中，OpenAI技术官Mira Murati宣布了一系列激动人心的更新。虽然大家期待的AI搜索引擎没有出现，但OpenAI确实在其主要产品——AI模型方面做出了重大扩展，特别是推出了新的旗舰AI模型GPT-4o，并且这一次，他们让这项服务向所有用户开放，包括免费用户。

这是OpenAI首次将这种级别的AI智能免费提供给用户，真是一大突破！GPT-4o不仅提高了在文本处理的能力，还在视频和音频处理上取得了进展。Murati特别提到，GPT-4o在速度上比之前的GPT-4 Turbo快了两倍，成本降低了50%，同时，API的速率限制也提高了五倍，即用户可以发送更多的请求。

这一切改进意味着用户现在可以更流畅、更经济地使用OpenAI的技术来处理文字、图片和语音输入。此外，OpenAI还推出了台式机版本的ChatGPT以及全新的用户界面（UI），旨在提升用户体验和便利性。

从社交媒体X上网友的反馈来看，API的改进让很多开发者和用户都感到非常满意。这些更新无疑将加速AI技术的普及和应用，帮助更多的人和企业实现高效的信息处理和创新。

实时求解方程、做口译、分析图表、读取用户情绪

GPT-4o引入了扩展的语音功能，这一更新将AI交互提升到了全新的水平。Mira Murati突出了GPT-4o在实时语音和音频处理上的安全性，并承诺OpenAI将持续进行技术迭代，以确保提供全方位的功能。

在现场演示中，OpenAI的研究主管Mark Chen使用ChatGPT的语音模式展示了这种新技术的实际应用。他的手机中的ChatGPT似乎能感知到他的情绪变化，当Chen过度呼气时，GPT以幽默的方式提醒他放松，说道：“Mark，你不是吸尘器”，显示出了人机交互的自然流畅性和智能感知能力。

此外，OpenAI的后训练团队负责人Barret Zoph在一项数学解题演示中，展示了GPT-4o的实用性。他在白板上写下方程式“3x+1=4”，ChatGPT不仅识别出了方程式，还一步步引导他解题，充当了一个实时的数学老师。这种能力显示了GPT-4o不仅能理解数学符号，还能识别包括心形在内的各种形状。

应社交媒体X用户的请求，Murati用意大利语向ChatGPT提问，GPT则迅速将意大利语翻译成英语，展示了其在多语种处理和即时翻译上的强大能力。GPT翻译的内容是：“Mark，她（Murati）想知道鲸鱼会不会说话，它们会告诉我们什么？” 这不仅展示了语言的转换能力，也突显了GPT-4o在理解和处理复杂查询方面的先进技术。

OpenAI最新的演示展示了GPT-4o模型在理解和交互人类情绪方面的进步。在一次引人注目的展示中，Barret Zoph将手机摄像头对准自己的脸，询问ChatGPT能否描述他的外观。虽然最初的回答有些误会，将他识别为“木质表面”，但在第二次尝试后，GPT成功捕捉到了Zoph的微笑，并评论说：“看起来你感觉非常快乐，喜笑颜开。” 这次演示虽显示出初步的识别能力，但也暴露了情绪读取的一些挑战。

此外，OpenAI的演示还包括了GPT-4o与代码库的交互能力。GPT-4o能够分析数据图表并根据图表内容，如一张全球气温图，作出相应的结论，展示了其在数据解读和逻辑推理方面的能力。

OpenAI宣布，基于GPT-4o的ChatGPT文本和图像输入功能将于本周一正式上线，而语音和视频输入选项则计划在未来几周内推出。这意味着用户将能够以更多的方式与GPT-4o互动，无论是通过文字、图片还是语音和视频。

社交媒体X上的反馈表明，网友们对GPT-4o的语音到文本功能以及它能理解音频的其他特征（如呼吸和情感）表示出极大的兴趣。这些功能的整合不仅提高了模型的实用性，也增强了用户体验，使得ChatGPT能够更加自然地模拟人类交谈，包括识别语调和情感变化。

最快232毫秒响应音频输入 平均响应时间和人类相似

GPT-4o模型，名字中的“o”代表全能（omni），标志着该模型在多模态人机交互上迈出了重要一步。GPT-4o能接收文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合作为输出。这种全方位的输入输出能力，使得GPT-4o在自然人机交互方面更接近真实的人类交流。

在技术性能方面，GPT-4o显示出显著的进步。它能在最快232毫秒内响应音频输入，平均响应时间为320毫秒，与人类对话中的响应时间相似。它在处理英语文本和代码的能力与GPT-4 Turbo持平，而在处理非英语文本方面性能更佳。

GPT-4o的视觉和音频理解能力尤其突出。相较于以前的模型，如GPT-3.5和GPT-4，在语音模式下使用三个独立模型来进行对话（将音频转成文本，处理文本，并再次转成音频），GPT-4o实现了端到端的训练。这意味着同一个神经网络处理所有输入和输出，能直接观察到音调、多个说话者的交谈和背景噪音，并能在输出中包含笑声、歌唱或表达情感，大幅提高了信息的完整性和交互的自然性。

尽管有消息称OpenAI计划发布基于AI的搜索产品，但OpenAI CEO Sam Altman最近澄清说，本周的演示既不是GPT-5也不是搜索引擎。尽管此次发布没有达到市场一些预测的爆炸性创新，但GPT-4o的推出仍被看作是在多模态AI领域的一个重要进展。

社交媒体上，有网友感受到OpenAI与其他科技巨头，特别是苹果的差距正在扩大。其中，有网友幽默地发了一张人满头大汗的动图，暗示苹果的语音助手Siri可能面临的压力和挑战。