本帖最后由 小哪吒 于 5-14 08:15 编辑 【北京时间5月14日凌晨1点】OpenAI 在其春季发布会的直播中宣布了其新的旗舰生成式 AI 模型，命名为 GPT-4o，其中“o”代表“omni”，象征着该模型在处理文本、语音和视频方面的全面能力。GPT-4o 改变了 AI 模型与多模式输入交互的方式。通过无缝组合文本、图像和音频，GPT-4o 提供了更丰富、更具吸引力的用户体验。
OpenAI 的首席技术官 Mira Murati 表示，GPT-4o 提供了相当于“GPT-4 级别”的智能，同时显著提升了跨多种模式和媒体的处理能力。
“GPT-4o 能够通过语音、文本和视觉进行推理，” Murati 在周一于 OpenAI 旧金山办公室举行的流媒体演示中提到。 “这一点至关重要，因为我们正在探索未来人机交互的新方式。”
GPT-4 Turbo 作为 OpenAI 之前推出的“领先”和“最先进”模型，已经能够处理图像和文本的组合，并完成从图像中提取文本或描述图像内容等任务。而 GPT-4o 的新特性在于增加了对语音的支持。
Your browser does not support video tags.
GPT-4o 显著提升了 OpenAI 的人工智能聊天机器人 ChatGPT 的用户体验。尽管该平台已经提供了语音模式，使用文本转语音模型来转录聊天机器人的响应，但 GPT-4o 对此进行了显著增强，使用户能够更自然地与 ChatGPT 进行互动。例如，用户现在可以向 GPT-4o 支持的 ChatGPT 提问，并在其回答时打断它。OpenAI 声称该模型能够提供“实时”响应，并能识别用户声音中的微妙差别，从而生成带有“一系列不同情感风格”的声音，包括唱歌。
GPT-4o 还增强了 ChatGPT 的视觉能力。现在，给定一张照片或桌面屏幕截图，ChatGPT 能够迅速回答相关问题，无论是询问 “这段软件代码发生了什么？” 还是 “这个人穿的是什么牌子的衬衫？”
此外，ChatGPT 的桌面应用程序在编码任务中也得到了应用。穆拉蒂指出，这些功能未来将继续发展。目前，GPT-4o 能够查看并翻译不同语言的菜单图片，而未来，该模型甚至可能允许 ChatGPT “观看”现场体育比赛并解释规则。
“我们意识到这些模型正变得越来越复杂，但我们的目标是让交互体验实际上变得更加自然和轻松，让您几乎不会注意到用户界面，而只专注于与 ChatGPT 的协作，” 穆拉蒂说道。 “过去几年，我们一直专注于提升这些模型的智能水平……但这是我们首次在易用性方面迈出了一大步。”
OpenAI 还声称，GPT-4o 在多语言能力上也取得了进步，在大约 50 种语言中的性能得到了增强。在 OpenAI 的 API 和微软的 Azure OpenAI 服务中，GPT-4o 的速度是 GPT-4 Turbo 的两倍，价格仅为 GPT-4 Turbo 的一半，同时提供了更高的速率限制。
目前，语音功能尚未对所有 GPT-4o API 的客户开放。OpenAI 以潜在的滥用风险为由，计划在未来几周内首先向“一小群值得信赖的合作伙伴”推出对 GPT-4o 新音频功能的支持。
从今天起，GPT-4o 将在 ChatGPT 的免费套餐中提供，并为 OpenAI 的高级 ChatGPT Plus 和 Team 计划订阅者（消息限制“高出 5 倍”）提供服务。（OpenAI 指出，当用户达到速率限制时，ChatGPT 将自动切换到较旧且功能较弱的 GPT-3.5 模型。）基于 GPT-4o 的改进 ChatGPT 语音体验的 alpha 版本将在下个月提供给 Plus 用户。因此，除了面向企业的选项外，现在也有了面向普通消费者的选择。
在相关新闻中，OpenAI 宣布将发布更新后的 ChatGPT 用户界面，其中包括新的、“更具对话性”的主屏幕和消息布局，以及适用于 macOS 的 ChatGPT 桌面版本，用户可以通过键盘快捷键提问或讨论截图。ChatGPT Plus 用户将首先体验到该应用程序，而 Windows 版本预计将在今年晚些时候推出。
此外，GPT Store——OpenAI 提供的库和创建工具，用于基于其 AI 模型构建的第三方聊天机器人，现已对 ChatGPT 免费层的用户开放。免费用户现在可以利用以前仅付费用户才能享受的 ChatGPT 功能，如允许 ChatGPT “记住”未来交互的偏好、上传文件和照片以及在网络上搜索及时问题的答案。
OpenAI 首席执行官 Sam Altman 对 GPT-4o 赞不绝口，预示着人类正步入一个与 AI 互动更加自然、直观的新时代。
