5月13日讀畢需時 3 分鐘

类人速度超快图文音频组合输出！OpenAI推出新旗舰模型GPT-4o

本文作者：李丹来源：硬AI

新闻取自各大新闻媒体，新闻内容并不代表本网立场！

虽然没有带来备受期待的人工智能（AI）搜索引擎，但OpenAI在主打产品AI模型上花了更多心思，拓展多模态功能，让用户可以免费玩转文字、图片和语音输入。

美东时间5月13日周一，OpenAI首席技术官Mira Murati在直播演示中宣布，推出新的OpenAI旗舰AI模型，名为GPT-4o，称它面向所有人，包括免费用户，为“我们的免费用户带来GPT-4级的智能”。OpenAI还推出了台式机版本的ChatGPT以及新的用户界面（UI）。

Murati说：“这是我们第一次在便于使用方面真正迈出一大步。” 她评价，GPT-4o的“速度快得多”，提升了GPT-4在文本、视频和音频方面的功能，“GPT-4o 通过语音、文本和视觉进行推理”。

Murati在演示中称，相比GPT-4 Turbo，GPT-4o的速度快了两倍，成本降低了50%，API速率限制、即用户可发出的请求数量提高了五倍。有网友在社交媒体X上对此感到开心，称终于API改进了。

GPT-4之前已经可以分析图像和文本，完成从图像中提取文本、以文本描述图像内容这类任务。GPT-4o则是增加了语音功能Murati 强调了GPT-4o在实时语音和音频功能方面必要的安全性，称OpenAI将继续部署迭代，带来所有的功能。

在演示中，OpenAI 研究主管 Mark Chen掏出手机打开 ChatGPT，用语音模式 Voice Mode现场演示如何向ChatGPT征询建议。GPT的声音听起来像一位美国女性，当它听到Chen过度呼气时，它似乎从中察觉到了他的紧张。

然后说：“Mark，你不是吸尘器”，告诉Chen要放松呼吸。如果有些大变化，用户可以中断GPT， GPT-4o的延迟通常应该不会超过两三秒。

（点击以上图片，预注册报名）

另一项演示中，OpenAI的后训练团队负责人Barret Zoph在白板上写了一个方程式3x+1=4，ChatGPT给他提示，引导他完成每一步解答，识别他的书写结果，帮助他解出了X的值。这个过程中，GPT充当了实时的数学老师。GPT能够识别数学符号，甚至是一个心形。

OpenAI官网介绍，GPT-4o中的o代表意为全能的前缀omni，称它向更自然的人机交互迈进了一步，因为它接受文本、音频和图像的任意组合作为输入内容，并生成文本、音频和图像的任意组合输出内容。

除了API的速度更快、成本大幅下降，OpenAI还提到，GPT-4o可以在最快232毫秒的时间内响应音频输入，平均响应时间为320毫秒，这与人类在对话中的响应时间相似。它在英语文本和代码方面的性能与GPT-4 Turbo 的性能一致，并且在非英语文本方面的性能有了显著提高。

OpenAI介绍，与现有模型相比，GPT-4o 在视觉和音频理解方面尤其出色。以前GPT-3.5和GPT-4用户以语音模式Voice Mode与ChatGPT 对话的平均延迟时间为2.8 秒和 5.4 秒，因为OpenAI用了三个独立的模型实现这类对华：一个模型将音频转录为文本，一个模型接收并输出文本，再有一个模型将该文本转换回音频。这个过程意味着，GPT丢失了大量信息，它无法直接观察音调、多个说话者或背景噪音，也无法输出笑声、歌唱或表达情感。