GPT-4o炸裂登场！听说读写如真人

　OpenAI在活动中发布了新旗舰模型“GPT-4o”，“可以实时对音频、视觉和文本进行推理。”据介绍，新模型使ChatGPT能够处理50种不同的语言，同时提高了速度和质量。

　　GPT-4o的“o”代表“omni”。该词意为“全能”，源自拉丁语“omnis”。在英语中“omni”常被用作词根，用来表示“全部”或“所有”的概念。

　　新闻稿称，GPT-4o是迈向更自然人机交互的一步，它可以接受文本、音频和图像三者组合作为输入，并生成文本、音频和图像的任意组合输出，“与现有模型相比，GPT-4o在图像和音频理解方面尤其出色。”

　　在GPT-4o之前，用户使用语音模式与ChatGPT对话时，GPT-3.5的平均延迟为2.8秒，GPT-4为5.4秒，音频在输入时还会由于处理方式丢失大量信息，让GPT-4无法直接观察音调、说话的人和背景噪音，也无法输出笑声、歌唱声和表达情感。

　　与之相比，GPT-4o可以在232毫秒内对音频输入做出反应，与人类在对话中的反应时间相近。在录播视频中，两位高管做出了演示：机器人能够从急促的喘气声中理解“紧张”的含义，并且指导他进行深呼吸，还可以根据用户要求变换语调。

　　图像输入方面，演示视频显示，OpenAI高管启动摄像头要求实时完成一个一元方程题，ChatGPT轻松完成了任务；另外，高管还展示了ChatGPT桌面版对代码和电脑桌面（一张气温图表）进行实时解读的能力。

　　OpenAI新闻稿称，“我们跨文本、视觉和音频端到端地训练了一个新模型，这意味着所有输入和输出都由同一神经 *** 处理。由于GPT-4o是我们之一个结合所有这些模式的模型，因此我们仍然只是浅尝辄止地探索该模型的功能及其局限性。”

　　性能方面，根据传统基准测试，GPT-4o在文本、推理和编码等方面实现了与GPT-4 Turbo级别相当的性能，同时在多语言、音频和视觉功能方面的表现分数也创下了新高。

　　更多工具免费解锁

　　OpenAI表示，“我们开始向ChatGPT Plus和Team用户推出GPT-4o，并且很快就会向企业用户推出。我们今天还开始推出ChatGPT Free，但有使用限额。 Plus用户的消息限额将比免费用户高出5倍，团队和企业用户的限额会再高一些。”

　　新闻稿称，即使是ChatGPT Free（免费）用户也可以有机会体验GPT-4o，但当达到限额时，ChatGPT将自动切换到GPT-3.5。

　　另外，OpenAI还推出适用于macOS的ChatGPT桌面应用程序，通过简单的键盘快捷键（Option + Space）可以立即向ChatGPT提问，还可以直接在应用程序中截取屏幕截图与机器人进行讨论。

　　在直播活动尾声时，OpenAI首席技术官Mira Murati说道，“感谢杰出的OpenAI团队，也感谢Jensen（黄仁勋）和英伟达团队为我们带来了更先进的GPU，使今天的演示成为可能。”