轉(zhuǎn)自：量子位 | 公眾號 QbitAI

不開玩笑，電影《她》真的來了。

OpenAI最新旗艦大模型GPT-4o，不僅免費(fèi)可用，能力更是橫跨聽、看、說，絲滑流暢毫無延遲，就像在打一個視頻電話。

現(xiàn)場直播的效果更是炸裂：

它能感受到你的呼吸節(jié)奏，也能用比以前更豐富的語氣實(shí)時回復(fù)，甚至可以做到隨時打斷。

GPT-4o里的“o”是Omni的縮寫，也就是“全能”的意思，接受文本、音頻和圖像的任意組合作為輸入，并生成文本、音頻和圖像輸出。

它可以在短至232毫秒、平均320毫秒的時間內(nèi)響應(yīng)音頻輸入，與人類在對話中的反應(yīng)速度一致。

這還是一份給所有人的大禮，GPT4-o與ChatGPT Plus會員版所有的能力，包括視覺、聯(lián)網(wǎng)、記憶、執(zhí)行代碼、GPT Store……

將對所有用戶免費(fèi)開放！

（新語音模式幾周內(nèi)先對Plus用戶開放）在直播現(xiàn)場，CTO Murati穆姐說：這是把GPT-4級別的模型開放出去，其實(shí)她還謙虛了。

在場外，研究員William Fedus揭秘，GPT-4o就是之前在大模型競技場搞A/B測試的模型之一，im-also-a-good-gpt2-chatbot。

無論從網(wǎng)友上手體驗(yàn)還是競技場排位來看，都是高于GPT-4-Turbo級別的模型了，ELO分?jǐn)?shù)一騎絕塵。

而這樣的超強(qiáng)模型也將提供API，價格打5折，速度提高一倍，單位時間調(diào)用次數(shù)足足是原來的5倍！

追直播的網(wǎng)友已經(jīng)在設(shè)想可能的應(yīng)用，可以替代盲人看世界了。以及確實(shí)感覺比之前的語音模式體驗(yàn)上強(qiáng)上不少。

鑒于之前不少人就已經(jīng)和ChatGPT語音模式“談戀愛”了，有大膽想法的朋友，可以把你們的想法發(fā)在評論區(qū)了。

總裁Brockman在線演示

知道OpenAI發(fā)布會為什么定在谷歌I/O前一天了——打臉，狠狠打臉。

谷歌Gemini發(fā)布會需要靠剪輯視頻和切換提示詞達(dá)成的偽實(shí)時對話效果，OpenAI現(xiàn)場全都直播演示了。

比如讓ChatGPT在語言不通的兩個人之間充當(dāng)翻譯機(jī)，聽到英語就翻譯成意大利語，聽到意大利語就翻譯成英語。

發(fā)布會直播之外，總裁哥Brockman還發(fā)布了額外的5分鐘詳細(xì)演示。而且是讓兩個ChatGPT互相對話，最后還唱起來了，戲劇感直接拉滿。這兩個ChatGPT，一個是舊版APP，只知道對話，另一個則是新版網(wǎng)頁，具備視覺等新能力。（我們不妨取Old和New的首字母，分別叫TA們小O和小N）Brockman首先向小O介紹了大致情況，告訴她要和一個擁有視覺能力的AI對話，她表示很酷并欣然接受。接著，Brockman讓她稍作休息，并向小N也介紹情況，還順帶展示了小N的視覺能力。只見打完招呼后，小N準(zhǔn)確地說出了Brockman的衣著打扮和房間環(huán)境。而對于要和小O對話這件事，小N也感到很有趣。
接下來就是小O和小N相互對白的時間了，TA們依然是從Brockman的衣著開始聊起，小O不斷提出新的問題，小N都一一解答。接著，他們又談?wù)摿朔块g的風(fēng)格、布置和光線，甚至小N還意識到了Brockman正站在上帝視角凝視著TA們。

如果你看了這段視頻就會發(fā)現(xiàn)，畫面中出現(xiàn)了一個女人在Brockman身后做了些惡搞的手勢。這可不是亂入，是Brockman和女人串通好，專門給小N設(shè)計(jì)的一道“考題”。

就在小O和小N聊的正開心的時候，Brockman選擇加入，直接問有沒有看到什么不正常的地方。結(jié)果是小N直接識破了Brockman的小伎倆，直接復(fù)述出了女人在他身后做小動作的場景，小O聽了之后直接感嘆原來在這里享受樂趣的不只有我們兩個。Brockman把這句話當(dāng)成了夸贊，并對小O表示了感謝，還愉快地加入了TA們的對話。之后是最后也是最精彩的部分，在Brockman的指揮下，小O和小N根據(jù)剛才聊天的內(nèi)容，直接開啟了對唱模式。只過了簡單幾輪，銜接地就十分密切，而且旋律悠揚(yáng)，音色也是和真人毫無二致。
最后視頻以Brockman唱出的一句Thank you結(jié)束，在視頻外的推文中他還透露新的語音對話功能將在數(shù)周內(nèi)向Plus用戶開放。

端到端訓(xùn)練，一個神經(jīng)網(wǎng)絡(luò)搞定語音文本圖像

正如奧特曼在發(fā)布會前所說，GPT-4o讓人感覺像魔法一樣，那么它是如何做到的呢？非常抱歉，這次非但沒有論文，連技術(shù)報告也不發(fā)了，只在官網(wǎng)Blog里有一段簡短的說明。在GPT-4o之前，ChatGPT語音模式由三個獨(dú)立模型組成，語音轉(zhuǎn)文本→GPT3.5/GPT-4→文本轉(zhuǎn)語音。我們也可以讓舊版ChatGPT語音模式自己講一下具體是怎么個流程。這樣一來，整個系統(tǒng)的延遲足足有2.8秒（GPT-3.5）和5.4秒（GPT-4），而且丟失了大量的信息，它無法直接感受音調(diào)、多個說話者或背景噪音，也無法輸出笑聲、唱歌聲，或表達(dá)情感。GPT-4o則是跨文本、視覺和音頻端到端訓(xùn)練的新模型，這意味著所有輸入和輸出都由同一個神經(jīng)網(wǎng)絡(luò)處理。在語音翻譯任務(wù)上，強(qiáng)于OpenAI專門的語音模型Whisper-V3以及谷歌和Meta的語音模型。在視覺理解上，也再次反超Gemini 1.0 Ultra與對家Claude Opus

雖然技術(shù)方面這次透露的消息就這么多了，不過也有學(xué)者評價。

一個成功的演示相當(dāng)于1000篇論文。

One More Thing

除了OpenAI帶來的精彩內(nèi)容之外，也別忘了北京時間5月15日凌晨，谷歌將召開I/O大會。到時量子位將繼續(xù)第一時間帶來最新消息。另外根據(jù)網(wǎng)友推測，GPT-4o這么強(qiáng)，全都免費(fèi)開放了，這是勸大家不續(xù)訂ChatGPT Plus了的意思嗎？那肯定不是啊～鑒于OpenAI春節(jié)期間在谷歌發(fā)布Gemini 1.5 Pro后半小時左右用Sora狙擊了一把，明天OpenAI還有新活也說不定呢？直播回放