OpenAI一夜之间革了Siri和同传的命，GPT-4o五大核心能力炸场！

摘要： 王一博李沁王阳主演的电视剧追风者大结局了让人触动颇深通过这部剧让大家更加了解历史故事致敬了那些为了理想和信仰而不惜以付出生命为代价的革命先烈沈近真还没大结局就下线了多声明本文来自于...

王一博，李沁、王阳主演的电视剧《追风者》大结局了，让人触动颇深。通过这部剧，让大家更加了解历史故事，致敬了那些为了理想和信仰而不惜以付出生命为代价的革命先烈。 沈近真还没大结局就下线了，多....

声明:本文来自于微信公众号 头号AI玩家（ID:AIGCplayer），作者:月山橘 石濑，授权 转载发布。

真憋了个大的。

美国当地时间5月13日上午10点（北京时间5月14日凌晨1点），OpenAI春季发布会如约而至，没有GPT-5，没有搜索引擎，但推出了一个新的旗舰模型:。

“o”是Omni的缩写，意为“全能”，接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像输出。

从直播演示来看，GPT-4o的多模态、实时交互能力，已经足够惊艳到让人直呼科幻电影《her》真的变成了现实。

值得划重点的是，GPT-4o和ChatGPT Plus会员版所有的能力，将*向所有用户开放!

不过，GPT-4o的新语音模式在未来几周内会优先对ChatGPT Plus会员开放。

此外，GPT-4o也向开发者开放了API。与GPT-4Turbo相比，GPT-4o价格减半，但速度却快了2倍，速率限制高出5倍。OpenAI称，接下来会向部分API合作伙伴提供新的音频和*功能支持。

GPT-4o到底有多强?昨晚“头号AI玩家”全程围观直播，现在让我们来一起回顾下其中细节。

GPT-4o惊艳面世，

核心能力全盘点

01.零延迟实时语音交互，自然真实富有情感

首先是零延迟实时语音交互，在这个环节，GPT表现得像是富有情感的真人。

在直播演示过程中，演示者Mark对GPT-4o说:“我正在做demo，我有点紧张。”然后他开始故意喘息得非常急促，GPT-4o很快识别出了他的呼吸声，告诉他:“哦，哦，哦，别紧张，慢下来，你不是个吸尘器。”并指导他调整呼吸。

整个过程中，GPT-4o的语气都非常自然、真实、富有情感，你可以随时打断它，要求它调整语气和音调。

另一位演示者让GPT-4o讲一个关于“机器人与爱”的睡前故事。刚讲一句，Mark Chen就打断了它，说它讲故事的语气不够有情感。GPT-4o调整过后，Mark Chen又很快打断它，要求它情绪再饱满再drama一点，然后GPT-4o的情绪又上了一个台阶，甚至可以说是浮夸的程度。

然后，演示者要求它切换成机器人声音，GPT-4o的声音和语气立马变得冷漠和机械。

这还没完，演示者又让GPT-4o用唱歌的方式把故事讲完，GPT-4o当场把故事改编成了一首歌，并直接唱了出来，节目效果拉满。

相比之下，ChatGPT的语音模式平均延迟为2.8秒（GPT-3.5）和5.4秒(GPT-4)，这无疑会破坏对话的沉浸感。

此外，由于模型需要先将语音转录为文本，GPT-3.5或GPT-4接收处理并输出文本，再将文本转换为语音，所以GPT-3.5或GPT-4无法直接获知语气、音调、背景噪音等信息，也无法输出笑声、歌声或表达情感。

02.通过摄像头视觉传达内容，在线解方程式

除了语音交互外，还可以通过视觉+语音的形式，如实时*、上传图片等方式，与GPT-4o进行多模态交互。

发布会上，OpenAI展示了GPT-4o通过多模态能力帮助用户解决数学题的完整过程。

视觉解析图形报表也手到擒来。OpenAI*博客中，用户一边和GPT-4o语音，一边在平板上画图，根据语音信息，解几何数学题。

03.更智能的保姆级编程助手

用GPT-4o来实时编程，也比以前的纯文本形式或上传图片进行文字对话的方式，更有交互感。

*演示中， OpenAI使用电脑桌面端GPT-4o来检查代码，它不仅可以解释代码的作用，还可以告诉用户如果调整特定代码会发生什么。

通过一步又一步的实时问答沟通，GPT-4o可以帮助用户提高编程效率，整个过程相当丝滑。

超强的实时语音+视觉交互能力，运用在编程辅助上，以后还要啥程序员鼓励师。

04.*通话，实时分析面部情绪

演示者还在X上实时收集了网友的反馈，其中有人提出挑战:打开摄像头，看GPT-4o能不能实时分析面部情绪。

演示者先是打开了后置摄像头，拍到的是面前的桌子，GPT-4o立刻分析道:“你看起来是个桌子。”

在切换为前置摄影头后，演示者的脸出现在与GPT-4o进行交互的界面，一整个打*电话的即视感。

GPT-4o立刻说:“你看起来非常开心，有大大的笑容，你想分享一下让你这么开心的原因吗?”语气中甚至能听出一丝好奇和试探。

演示者回答道:“因为我在做实时演示，让大家看看你有多出色。”

GPT-4o带着笑声说:“拜托，别害我脸红了。”

看到这，“头号AI玩家”脑海里不禁回响起Samantha与Theodore之间的恋人絮语。

《Her》真的变成现实了。

05.同声传译，支持多国语言

目前，ChatGPT支持超过50种语言。据介绍，GPT-4o的语言能力在质量和速度上都得到了改进。

*演示中，一个人说英语，另一个人说西班牙语，通过语音指示GPT-4o实时翻译，两人实现了流畅的沟通。GPT-4o基本上只在开头停顿了1~2秒，在句子中没有出现停顿、卡壳等现象。

不过，有点bug的是，由于GPT-4o是中间的沟通媒介，导致两位对话者并没有直接看对方，而是都看向了手机。未来或许会有新型设备出现，利用AI技术让使用不同语言的人们能够更自然地进行交流。

变革人机交互，

但还不是GPT-5

OpenAI首席技术官Mira Murati在直播中介绍，GPT-4o是标志性产品GPT-4模型的一个迭代版本:提供了GPT-4级别的智能，但速度更快，并改进了其在文本、语音和视觉方面的能力。

OpenAI首席执行官Sam Altman发帖称该模型是“原生多模态”的，在文本、视觉和音频上端到端地训练了一个新模型，GPT-4o所有输入和输出都由同一个神经网络处理。

根据*博客介绍，在基准测试中，GPT-4o在文本、推理和编码智能方面达到了GPT-4Turbo级别的性能，同时在多语言、音频和视觉能力上设定了新的标准。

图源:OpenAI

OpenAI计划在未来几周内逐步推出GPT-4o的各项能力。其中，文本和图像能力将从发布会后当天开始在ChatGPT中推出，Plus用户可以抢先体验，并拥有相比*用户多高达5倍的消息限制。带有GPT-4o新版本语音模式也将在未来几周内在ChatGPT Plus中推出。

针对*用户，OpenAI也主打一个“雨露均沾”，在接下来的几周内会面向所有用户，推出GPT-4o及其相关功能:

1.体验GPT-4级智能

2.从模型和网页获取响应（联网了）

3.分析数据并创建图表

4.支持上传照片进行交互

5.上传文件以帮助总结、撰写或分析

6.发现和使用GPT和GPT商店

7.可自定义控制的ChatGPT“内存”（拥有更强的“记忆力”）

目前已经体验到GPT-4o的玩家告诉我们:体验太丝滑了!后续“头号AI玩家”也将跟进更详细的玩法评测。

当然，炸场的不只是OpenAI，在这个被称为全球“AI月”的5月，肉眼可见地，我们还将迎来谷歌的I/O开发者大会、微软Build年度开发者大会、英伟达一季报发布等AI领域重要事件。

此外，预计6月10日举办的苹果WWDC大会或将推出全新AI应用商店，并可能升级Siri语音助手，引入新的生成式AI系统。

试猜想，如果苹果真的顺利与OpenAI达成合作，GPT-4o被引入到iPhone设备端，取代（或升级）Siri，似乎也是顺理成章的事。

总的来说，相比图形用户界面，GPT-4o近乎实时的语音和*交互体验，标志着人机交互迎来了新的变革，更自然、更直观的交互体验，已经非常接近我们在科幻片里看到的人工智能，斯派克·琼斯导演的科幻电影《Her》也因此被频频提及。

猎豹移动董事长兼CEO傅盛甚至连夜录制*夸OpenAI在“大家都在拼大模型的参数和性能时，OpenAI杀了个回马枪，认真地做起了整合和应用”。

看完今天OpenAI的发布，很难想象谷歌明天得拿出多大的杀手锏，才能摆脱“AI届汪峰”的命运。