OpenAI发布全新旗舰生成式AI模型GPT-4o：可模拟情感交流！

5月14日，OpenAI揭晓了其最新力作，并非众人预测的AI搜索引擎或GPT-5，而是GPT-4o，一个标榜“全能”（"omni"）的旗舰模型。此模型已在ChatGPT中集成，且伴随着一系列免费增值特性面世。

GPT-4o的创新之处在于其跨模态的强大功能，尤其是在视觉和音频处理上展现卓越性能。它能够在文本、音频和图像之间无缝推理，接受任何形式的多媒体输入，并输出对应的多样化组合，无论是文本、音频还是图像。其对音频输入的响应时间最快仅需232毫秒，平均响应时间为320毫秒，与人类实际对话节奏相近。

此前，ChatGPT的Voice Mode依赖三款独立模型实现语音交互，但伴随2.8秒（GPT-3.5）至5.4秒（GPT-4）的延迟。这一过程通过转录、处理、再转码完成，不可避免地损失了诸如语调、多重声源或环境音等信息细节，也无法生成如笑声、歌唱或情绪化的语音。GPT-4o的诞生打破了这一瓶颈，它通过一个统一的端到端模型整合文本、视觉和音频处理，首次实现了多模态融合，OpenAI正积极探究这一创新模型的边界。

新推出的语音模式带来革命性体验，据Business Insider透露，它能够与用户流畅对话，模拟情感交流，展现从兴奋到讽刺的丰富情绪，无需唤醒词，超越了如Siri等传统语音助手的使用体验。

OpenAI CEO Sam Altman称赞，这种融合语音和视频的模式是他体验过最接近科幻电影中AI的界面，它以人类级别的反应速度和表达力，让与机器对话变得自然。Altman展望未来，随着个性化定制、信息访问权限以及代理执行等功能的加入，GPT-4o将引领人们以前所未有的方式高效利用计算机。

性能上，GPT-4o在标准测试中展现了与GPT-4 Turbo相当的文本处理、推理及代码理解能力，同时在多语言、音频和视觉处理上取得了突破。它在英语文本和编程任务上的表现匹敌GPT-4 Turbo，且在非英语文本处理上有了显著提升。

安全方面，OpenAI通过过滤训练数据、模型行为优化等技术确保跨模态安全，并开发了针对语音输出的新安全措施。此外，与70多位外部专家跨领域合作，涵盖社会心理学、偏见与公平、虚假信息等领域，以评估并减轻新增模态可能带来的风险，强化用户互动的安全性。

鉴于音频模式潜在的新风险，OpenAI目前仅公开了文本和图像的输入输出功能，并计划在未来数周至数月内，围绕技术基础架构、安全性和其他模式（如音频输出）的发布工作，后者将限定于预设声音且严格遵守安全规范。

目前，ChatGPT用户已可免费体验GPT-4o的文本和图像功能，Plus用户享受五倍的使用配额提升。而升级版Voice Mode，搭载GPT-4o，预计在不久的几周内登陆ChatGPT Plus，为用户带来更加丰富和安全的交互体验。

斯坦福回应抄袭清华系大模型 我国大模型研发总体处于跟跑状态

6月16日，润泽园针对各行业的中小企业经营者、董事长开展以“ 穿透客户服务”为主题的润泽公开课。并特邀 全国工商联原副主席 全国政协参政议政人才库特聘专家 庄聪生先生 作为分享嘉宾。

点击>> 润泽公开课 即可报名