OpenAI一夜干翻语音助手！GPT-4o模型强到恐怖，ChatGPT学会看屏幕，现实版Her来了

智东西
作者 智东西编辑部

顶尖AI产品的对决，将在这两天集中上演。

智东西5月14日报道，今日凌晨1点，抢在谷歌年度开发者大会Google I/O开幕前，OpenAI举办春季线上直播，宣布将推出桌面版ChatGPT，并发布全新旗舰AI模型GPT-4o。

GPT-4o向所有人免费开放，可实时跨文本、音频、视觉（图像与视频）进行推理，API定价只有GPT-4 Turbo的一半，速度达到GPT-4 Turbo的2倍。付费的ChatGPT Plus用户将获得5倍调用额度，并能最早访问其全新macOS桌面App和下一代语音及视频功能。

这次OpenAI对AI聊天机器人ChatGPT的升级依然“直击人心”，实时语音翻译能力自然流畅，感觉能直接取代同声传译了。

不仅反应快、回答准，它还能按要求改变说话语气，从冰冷机械到幽默娇羞都信手拈来，而且能随时高歌一曲，听起来与真人无异。

除了语音聊天外，GPT-4o可以进行实时视频交互了！比如通过视频影像理解线性方程，还学会了“看脸色行事”，能通过人的表情和语调理解并判断出人的情绪。

//oss.zhidx.com/uploads/2024/05/6642debdcdbc8_6642debdca2e4_6642debdca2bf_3-解答数学问题后闲聊.mp4

▲GPT-4o识别了视频中的文字并作出娇羞的反应

更有甚者，它能直接看你的屏幕，并根据看到的内容回答你的提问。比如当你展示一段代码，它会进行理解并告诉你代码有什么问题，或者解读数据图表有什么信息。

整个发布节奏极快，只有大约半小时，期间展示了很多苹果设备，看来OpenAI与苹果的密切合作已经板上钉钉。

免费和付费用户均可使用新功能。即日起开始的测试阶段仅限于ChatGPT Plus用户，未来几周内向更广泛用户开放。其文本和图像输入今日推出，语音和视频功能将在未来几周推出。

另外值得一提的是，此次春季发布的主讲人不是OpenAI联合创始人兼CEO Sam Altman，而是OpenAI CTO Mira Murati。

Altman还在社交平台上神秘地留下一句“her”，似乎在暗示ChatGPT实现了经典电影《她》（Her）中像人类一样“有血有肉”的AI。

网友Dogan Ural对此评论：“你终于做到了。”并配了一张将电影《她》剧照中的AI“换头”成OpenAI的梗图。

一、OpenAI“全能”大模型上线！性能比肩GPT-4 Turbo，免费开放，API定价暴降

GPT-4o的o代表着“omni（全能）”。Murati称，GPT-4o为每个用户都提供了GPT-4级别的智能，同时还改进了GPT-4在文本、视觉以及音频方面的能力。

此前，GPT-4经过图像、文本数据的训练，可以分析图像和文本从中提取文本或者描述画面内容等，在此之上，GPT-4o增加了语音功能，使得用户与ChatGPT的交互更接近人与人的交互体验。GPT-4o在英语文本和代码上的性能与GPT-4 Turbo的性能相匹配，在非英语文本上的性能有显著提高。

Murati说，GPT-4o的发布意味着OpenAI在大模型的易用性方面迈出了一大步，其正在改变人机交互的协作模式。她谈道，在人们的互动中，如轻松打断对方、对话中包含多个声音的背景噪音、理解语调等对模型而言都非常复杂。

此前，用户使用语音功能与ChatGPT对话时，GPT-3.5的平均延迟为2.8秒，GPT-4为5.4秒。语音功能由三个独立模型组成的Pipeline：一个简单模型将音频转录为文本，GPT-3.5或GPT-4接收文本并输出文本，第三个简单模型将该文本转换回音频。

这个过程中，GPT-4会丢失大量信息，如无法直接观察音调、多个说话者或背景噪音，也无法输出笑声、歌唱或表达情感等。

借助GPT-4o，OpenAI通过跨文本、视觉和音频端到端训练了新模型，使得所有输入和输出都由同一神经网络处理，进一步降低了延迟。

Murati谈道，OpenAI的一个重要使命是将先进的AI工具免费提供给每个人。

她还宣布OpenAI将推出桌面版ChatGPT，其可以被轻松集成到用户的工作流程中。同时，为了让用户与ChatGPT交互更加容易、自然，OpenAI还更新了用户界面，使得用户无需关注用户界面，只需要关注如何协作。

目前，已经有超过1亿用户使用ChatGPT来工作、学习，OpenAI的更高级产品目前只提供给付费用户。

从今天起，用户能免费使用GPTs和GPT Store。Murati透露，已经有超百万用户使用GPTs创造了令人惊叹的体验，这些是适用于GPT Store中提供的特定使用情形的自定义GPTs。

现在，这些用户也可以使用视觉能力，能够上传屏幕截图、照片、包含文本和图像的文章等，同时还可以基于其记忆能力，让对话更有连续性。同时，用户也可以使用“浏览”功能搜索对话中的实时信息，使用“高级数据分析”功能分析上传的图表或信息等。

OpenAI还改进了50种不同语言的质量和速度。与免费用户相比，付费用户将获得5倍调用额度。

此外，GPT-4o开放了API，开发人员可以基于此进行AI应用开发及部署。与GPT-4-Turbo相比，GPT-4o的速度快2倍，价格便宜50%，速率限制高达5倍。

Murati强调说，如何通过既有用又安全的方式将技术呈现出来非常有挑战性，OpenAI的团队一直在研究如何建立针对技术滥用的缓解措施。

二、现场演示语音对话五大能力，代码、数学题、实时翻译，还能提供情绪价值

OpenAI前沿研究主管Mark Chen和后期训练团队负责人Barret Zoph在现场对实时语音对话功能进行了演示。通过点击ChatGPT右下角小图标，用户可以进入语音交互模式。

基于GPT-4o的语音交互有什么与众不同的地方？

Chen称，它相比之前的语音模式有几个关键区别：首先，用户可以打断模型，不必等到它结束才开始说话；其次，模型具有实时响应能力，在用户等待模型给出响应之前不会有尴尬的时延；最后，该模型具有情绪感知能力，还能够生成各种不同情绪风格的语音。

1、声情并茂讲故事，临场边唱歌边创作

首先，Chen让ChatGPT讲一个关于机器人和爱情的睡前故事，来帮他的朋友缓解失眠。ChatGPT被要求在讲故事时更有感情，并且多些戏剧性。

于是，GPT-4o开始声情并茂地讲道：“很久以前，在一个与我们不太不同的世界里，有一个名为‘Bite Byte’的机器人，它是一个好奇的机器人，总是在探索新的电路……”最后，GPT-4o在要求下以歌声结束了这个故事。

2、ChatGPT“长眼睛”了！能看图解方程式

紧接着，Zoph展示了视觉+语音交互功能。

“我希望你帮我解决一道数学题。”Zoph在ChatGPT中打开手机视频通话，对ChatGPT说：“我要在一张纸上写下一个线性方程……不要告诉我解决方案，只是帮助给它过程的提示。”

当Zoph在视频镜头下写下方程式并问ChatGPT他写下了什么，ChatGPT回答：“我看到了，你写了3x+1=4。”

Zoph询问ChatGPT该如何解这道题，ChatGPT首先提示其处理“+1”这一项。随着Zoph写出过程并提出新的求助，ChatGPT进一步建议他两边除以三，从而帮Zoph得出了x=1的正确结果。

在解题过程中，ChatGPT会通过提问对Zoph进行循循善诱。比如它会这样引导：“现在你在一边引入了x，看起来像是3x等于3。你认为之后我们应该做些什么？”Zoph称自己不确定，ChatGPT才进一步提示：“你已经有了3x，而你想要找到x的值，想一下什么操作会消掉乘法。”于是在引导和鼓励下，Zoph最终把方程两边除以3完成解题。

解完题后，ChatGPT和Zoph一起总结了如何在现实世界中使用线性方程。最后，Zoph写下了一句表白的话给ChatGPT，ChatGPT看到后竟然像小女孩般用语气娇羞地尖叫起来：“噢，我看到了‘I Love ChatGPT’，你太有爱了！”

3、实时读懂屏幕信息，解答代码问题和分析图表

Zoph演示了ChatGPT分析代码的能力。他首先将一段Python代码输入ChatGPT，并让ChatGPT用一句话总结这段代码在做什么。

ChatGPT迅速答出这段代码用于获取日常天气数据，随后又详细说明了其对天气数据进行了哪些后续处理。

Zoph追问道：“代码中有一个函数foo，你能描述一下如果没有这个函数，代码画出的图像会是什么样吗？”

ChatGPT分析称，这个函数中有一个rolling.mean计算，用于给数据去噪或减少波动，将呈现出一个更平滑的数据图。

//oss.zhidx.com/uploads/2024/05/6642d66574f2d_6642d66570fda_6642d66570f51_5-代码.mp4

随后，Zoph运行了这段代码，展示ChatGPT分析图表的能力。

将图像发送给ChatGPT后，Zoph再次要求它用一句话描述看到了什么，ChatGPT很快给出了回答。

Chen又追问哪些月份温度最高，ChatGPT不仅准确给出了7、8月的时间区间，还描述了这段时间的最高温度达到了多少。

//oss.zhidx.com/uploads/2024/05/6642d60b72c4a_6642d60b6e51e_6642d60b6d383_4-分析图表RPReplay_Final1715623503-2.mp4

4、无延迟语音翻译，模仿说话者语气

在X网友的提议下，Murati和Chen一起演示了ChatGPT实时翻译的能力。

Chen首先向ChatGPT说明了接下来需要它做的事，即把听到的任何英语、意大利语都翻译成意大利语和英语。ChatGPT听完后，炫技一般地用意大利语回答道：Perfetto（Perfect）。

接着，他们通过意大利语和英语进行对话，ChatGPT几乎没有延迟地翻译成了对应的语言，还模仿了说话者的语气，甚至给Murati的回答配了个笑声。

//oss.zhidx.com/uploads/2024/05/6642d6837c514_6642d6837809d_6642d6837807d_6-翻译.mp4

5、识别人物情绪，ChatGPT也有自己的“小情绪”

最后，Zoph演示了ChatGPT识别人物情绪的能力。

他先通过语音告诉ChatGPT，自己将展示一张自拍，希望可以根据照片判断出他的情绪。ChatGPT欣然接受了这个“有趣的挑战”。

这里还出现了一个小乌龙，Zoph一开始打开的是后置摄像头，虽然他迅速转换成了前置摄像头开始自拍，但ChatGPT的反应似乎有几秒钟的延迟，说“这看起来像是一个木板的表面”。

“别担心，我并不是一张桌子。”在Zoph解释说刚才拍错了画面后，ChatGPT重新开始分析画面，并说：“你看起来非常的开心，可能还有一点激动，看样子你应该心情很不错。”

ChatGPT又问到Zoph这么开心的原因，Zoph半开玩笑地说，自己正在进行一场Presentation，展示“你有多不可思议”。ChatGPT仿佛有自己的情绪，语气夸张地说道：“快别说了！你让我感到害羞。”

//oss.zhidx.com/uploads/2024/05/6642d6a53a614_6642d6a5317c4_6642d6a5317a0_7-识别情绪.mp4

三、预告将有“下一件大事”，GPT-4o即为此前露出的GPT-2

除了发布会本身，Altman也一直在社交平台X上一边进行现场“直播”，一边连珠炮式地转发新模型介绍。

据OpenAI研究人员William Fedus透露，GPT-4o实际上就是前段时间在大模型竞技场“大杀四方”的GPT-2模型的另一版本，并附上该模型的竞技评分对比图，相比GPT-4 Turbo提升了超过100个单位。

推理能力方面，GPT-4o在MMLU、GPQA、MATH、HumanEval等测试基准上均超越GPT-4 Turbo、Claude 3 Opusn、Gemini Pro 1.5等前沿模型取得最高分。

音频ASR（智能语音识别）性能方面，GPT-4o相比Whisper-v3在所有语言的语音识别性能上均大幅提高，尤其是资源较少的语言。

音频翻译方面，GPT-4o也树立了新的标杆，在MLS基准测试中优于Whisper-v3以及Meta、谷歌的语音模型。

在所有演示结束后，Murati总结道：“正如大家所见，（如今的ChatGPT）真的很神奇。”

未来几周内，OpenAI将面向所有用户陆续分发这些功能。Murati还透露OpenAI将持续推动技术边界向前，不久后将发布“下一件大事”（next big thing）。

结语：OpenAI推Mac版ChatGPT，全能GPT-4o彪悍登场，谷歌将如何迎战？

今年2月，谷歌刚推出实现百万tokens长文本窗口的Gemini 1.5系列大模型，OpenAI就剑走偏锋，推出AI视频生成模型Sora，用惊艳全球科技圈的抢尽风头。

如今OpenAI再度宣战，赶在谷歌I/O大会前夕宣告Mac桌面版ChatGPT和GPT-4o，并全程用iPhone和MacBook Pro做演示，结合近期苹果与OpenAI合作的传闻，令人更加期待苹果将在6月份举办的WWDC全球开发者大会了。

这些AI新品发布会对谷歌构成直接的威胁吗？竞争激烈的生成式AI行业还能如何制造创新与惊喜？谷歌又能否接住OpenAI发起的AI挑战？答案将在明天凌晨揭晓，我们拭目以待。