人机交互的未来，触手可及！

OpenAI 再次掀起 AI 领域风暴！全新旗舰模型 GPT-4o 横空出世，它不再局限于单一的文本世界，而是将触角延伸至音频和图像领域，突破性地实现了多模态实时推理，将人机交互推向更自然、更强大的新阶段。

GPT-4o：无所不能的多面手

GPT-4o 不仅能理解和生成文本，还能处理音频和图像信息。想象一下，你可以用语音指示 GPT-4o 创作一首歌曲，它会根据你的语气和情感，生成优美动听的旋律；或者将一张照片交给它，让它讲述照片背后的故事，它会识别人物、场景和事件，用生动的语言为你娓娓道来。

GPT-4o 的能力远不止于此。它可以进行实时翻译，让你与不同语言的人无障碍沟通，如同拥有了一位随身翻译官；它可以帮助你准备面试，提供专业的建议和指导，让你在面试中脱颖而出；它甚至可以识别讽刺和讲笑话，展现出高度的语言理解能力，让你在与它互动时倍感亲切。

技术突破：端到端训练，多模态融合

GPT-4o 的技术突破在于其端到端的训练方式。与之前将语音转换为文本再进行处理的方式不同，GPT-4o 将所有模态信息整合到同一个神经网络中，避免了信息损失，提高了处理效率。这意味着 GPT-4o 能够更全面地理解信息，并进行更精准的推理。就像一位经验丰富的专家，它可以综合各种感官信息，做出更准确的判断。

OpenAI 对 GPT-4o 进行了严格的性能评估，结果显示，它在文本理解、推理、编码、多语言、音频和视觉等方面都达到了或超越了现有模型的性能。例如，在语音识别方面，GPT-4o 显著优于 Whisper-v3，尤其是在资源较少的语言上表现更为出色；在语音翻译方面，GPT-4o 也树立了新的标杆，能够更准确地传达语言的细微差别。

新的交互方式：语音和视频，如科幻电影照进现实

OpenAI 的 CEO Sam Altman 认为，新的语音（和视频）模式是他用过的最好的计算接口。它让人感觉像是科幻电影中的 AI， 实现了人类级别的响应时间和表达能力，带来了巨大的改变。

最初的 ChatGPT 展现了语言接口的可能性，而 GPT-4o 带来了截然不同的感受，它快速、智能、有趣、自然且乐于助人。与计算机交谈从未像现在这样自然。随着个性化、信息访问、代理操作等功能的加入，我们可以预见一个激动人心的未来，在那里，我们能够利用计算机完成比以往更多的事情。

未来已来，你准备好了吗？

附：Sam Altman 关于 GPT-4o 全文

我们今天发布的内容中有两点需要强调。

首先，我们使命的核心是让大众免费（或以优惠的价格）获得功能强大的 AI 工具。我很自豪，我们能够在 ChatGPT 中免费提供世界上最好的模型，而且不含广告或其他类似内容。

我们创立 OpenAI 的初衷是创造 AI 并利用它为世界创造各种效益。然而，现在看起来我们创造 AI，然后其他人会利用它创造各种令我们所有人受益的惊人事物。

我们是一家企业，会找到很多收费的项目，这将帮助我们为（希望是）数十亿人提供免费且出色的 AI 服务。

其次，新的语音（和视频）模式是我使用过的最好的计算界面。它给人的感觉就像电影中的 AI，我仍然惊讶于它居然是真的。事实证明，达到人类级别的响应速度和表现力是一个巨大的变化。

最初的 ChatGPT 展示了语言接口的可能性；这个新事物给人的感觉截然不同。它快速、智能、有趣、自然且实用。

与电脑交谈对我来说从未像现在这样自然。随着我们添加（可选的）个性化、信息访问权限、代表您执行操作的能力以及更多功能，我真的可以看到一个激动人心的未来，在这个未来，我们可以使用电脑完成比以往更多的事情。

最后，非常感谢为实现这一目标而付出巨大努力的团队！

参考内容：

[1] https://openai.com/index/hello-gpt-4o/

[2] https://openai.com/index/gpt-4o-and-more-tools-to-chatgpt-free/

[3] https://blog.samaltman.com/gpt-4o