OpenAI 最新旗舰大模型 GPT-4o，不仅免费使用，功能更是全面覆盖听觉、视觉和语音，体验丝滑流畅毫无延迟，仿佛在进行一次视频通话。
![图片[1]-GPT-4o震撼夜间发布！AI实时视频通话如真人般流畅，Plus功能限时免费!-零度博客](https://www.freedidi.com/wp-content/uploads/2024/05/11668_286909_gpt4o_updates.webp)
直播效果更是惊艳：
它能感知你的呼吸节奏，并用更加丰富的语气实时回应，甚至可以在适当时打断对话。
GPT-4o 中的 “o” 代表 Omni，即 “全能”，能够接受文本、音频和图像的任意组合输入，并生成相应的输出。
响应速度快至 232 毫秒，平均 320 毫秒，与人类对话反应速度一致。
![图片[2]-GPT-4o震撼夜间发布！AI实时视频通话如真人般流畅，Plus功能限时免费!-零度博客](https://www.freedidi.com/wp-content/uploads/2024/05/2024-05-14-235911.webp)
这是一次馈赠所有人的大礼，GPTo 与 ChatGPT Plus 会员版的所有功能，包括视觉、联网、记忆、执行代码、GPT Store 等，都将免费开放！
（新语音模式将在几周内优先向 Plus 用户开放）
在直播现场，CTO Murati 谦虚地表示：这是将 GPT-4 级别的模型开放给大家。
研究员 William Fedus 揭秘，GPT-4o 是之前在大模型竞技场进行 A/B 测试的模型之一，名为 im-also-a-good-gpt2-chatbot。
无论是用户体验还是竞技场排名，GPT-4o 都超过了 GPT-4-Turbo 级别模型，ELO 分数遥遥领先。
这样的超强模型还将提供 API 服务，价格减半，速度提高一倍，单位时间调用次数是原来的五倍！
观看直播的网友已经在畅想其应用前景，认为它可以帮助盲人“看见”世界，并且确实比之前的语音模式体验更佳。
考虑到许多人已经在 ChatGPT 语音模式中找到“恋爱”感觉，大家可以在评论区分享你的大胆想法。
![图片[3]-GPT-4o震撼夜间发布！AI实时视频通话如真人般流畅，Plus功能限时免费!-零度博客](https://www.freedidi.com/wp-content/uploads/2024/05/87.webp)
总裁 Brockman 在线演示
OpenAI 发布会选在谷歌 I/O 前一天，意在“打脸”。谷歌 Gemini 的发布会需要通过剪辑和提示词切换来实现的实时对话效果，OpenAI 则全程直播演示。
例如，让 ChatGPT 在不同语言间充当翻译器，实时将英语翻译成意大利语，反之亦然。
发布会直播之外，总裁 Brockman 还进行了额外的 5 分钟详细演示。
演示中两个 ChatGPT 互相对话，甚至唱起了对话内容，戏剧感满满。
这两个 ChatGPT，一个是旧版 APP，只能对话，另一个是新版网页，具备视觉等新功能。（分别简称为小 O 和小 N）
![图片[4]-GPT-4o震撼夜间发布！AI实时视频通话如真人般流畅，Plus功能限时免费!-零度博客](https://www.freedidi.com/wp-content/uploads/2024/05/2024-05-14-18-58-24.00_07_22_22.Still002.webp)
Brockman 先向小 O 介绍情况，告知她将与一个拥有视觉能力的 AI 对话，她欣然接受。
然后，Brockman 向小 N 介绍情况，并展示了小 N 的视觉能力。
小 N 准确描述了 Brockman 的衣着和房间环境，并对与小 O 对话表示兴趣。
接下来是小 O 和小 N 的对话时间。她们从 Brockman 的衣着开始聊起，小 O 提出问题，小 N 一一解答。
然后，她们谈论了房间的风格、布置和光线，甚至小 N 还意识到 Brockman 正在上帝视角观看她们。
视频中有一名女性在 Brockman 身后做了些恶搞的手势，这是 Brockman 与她串通好，专门给小 N 设置的“考题”。
当 Brockman 问有无发现异常，小 N 直接识破并描述了女性的动作，小 O 听后感叹原来享受乐趣的不止她们两人。
Brockman 将这视为夸赞，并加入了对话。
最后的部分最为精彩，小 O 和小 N 在 Brockman 的指挥下对唱起来。几轮之后，衔接紧密，旋律悠扬，音色如真人。
![图片[5]-GPT-4o震撼夜间发布！AI实时视频通话如真人般流畅，Plus功能限时免费!-零度博客](https://www.freedidi.com/wp-content/uploads/2024/05/79.webp)
视频以 Brockman 唱出的 Thank you 结束，他在推文中透露新语音对话功能将在数周内向 Plus 用户开放。
端到端训练，一个神经网络搞定语音、文本和图像
正如奥特曼在发布会前所说，GPT-4o 让人感觉像魔法一样，那么它是如何做到的呢？
这次没有论文，也没有技术报告，只在官网博客有一段简短说明。
在 GPT-4o 之前，ChatGPT 语音模式由三个独立模型组成：语音转文本→GPT3.5/GPT-4→文本转语音。
整个系统的延迟为 2.8 秒（GPT-3.5）和 5.4 秒（GPT-4），丢失了大量信息，无法直接感受音调、多个说话者或背景噪音，也无法输出笑声、唱歌声，或表达情感。
GPT-4o 是跨文本、视觉和音频端到端训练的新模型，所有输入和输出都由同一个神经网络处理。
在语音翻译任务上，强于 OpenAI 的语音模型 Whisper-V3，以及谷歌和 Meta 的语音模型。
![图片[6]-GPT-4o震撼夜间发布！AI实时视频通话如真人般流畅，Plus功能限时免费!-零度博客](https://www.freedidi.com/wp-content/uploads/2024/05/12024-05-15-000029.webp)
在视觉理解上，也反超了 Gemini 1.0 Ultra 与对手 Claude Opus。
虽然技术细节透露不多，但有学者评价，一个成功的演示胜过千篇论文。
One More Thing
除了 OpenAI 的精彩内容，不要忘记北京时间 5 月 15 日凌晨，谷歌将召开 I/O 大会。
零度解说将继续第一时间带来最新消息。
有网友推测，GPT-4o 如此强大，还免费开放，是劝大家不续订 ChatGPT Plus 吗？
当然不是～
鉴于 OpenAI 春节期间在谷歌发布 Gemini 1.5 Pro 后半小时用 Sora 狙击，明天 OpenAI 或许还有新动作？
直播回放
https://www.youtube.com/watch?v=DQacCB9tDaw
参考链接：
[1] https://openai.com/index/hello-gpt-4o/
