GPT-4o 模型提供“实时”响应能力，甚至可以识别用户声音中的情感，并生成“一系列不同情感风格”的声音。
发布时间：
2025-10-10
OpenAI最新旗舰大模型GPT-4o，不仅免费可用，能力更是横跨听
、看
、说
，丝滑流畅毫无延迟，就像在打一个视频电话。
它能感受到你的呼吸节奏，也能用比以前更丰富的语气实时回复，甚至可以做到随时打断。
GPT-4o里的“o”是Omni的缩写，也就是“全能”的意思，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。
它可以在短至232毫秒、平均320毫秒的时间内响应音频输入，与人类在对话中的反应速度一致。
并且，GPT4-o与ChatGPT Plus会员版所有的能力，包括视觉、联网、记忆、执行代码、GPT Store……
将对所有用户免费开放！
在直播现场，CTO Murati穆姐说：这是把GPT-4级别的模型开放出去，其实她还谦虚了。
总裁Brockman在线演示
知道OpenAI发布会为什么定在谷歌I/O前一天了——打脸，狠狠打脸。
谷歌Gemini发布会需要靠剪辑视频和切换提示词达成的伪实时对话效果，OpenAI现场全都直播演示了。
比如让ChatGPT在语言不通的两个人之间充当翻译机，听到英语就翻译成意大利语，听到意大利语就翻译成英语。
发布会直播之外，总裁哥Brockman还发布了额外的5分钟详细演示。
而且是让两个ChatGPT互相对话，最后还唱起来了，戏剧感直接拉满。
这两个ChatGPT，一个是旧版APP，只知道对话，另一个则是新版网页，具备视觉等新能力。（我们不妨取Old和New的首字母，分别叫TA们小O和小N）
TA们从Brockman的衣着开始聊起，小O不断提出新的问题，小N都一一解答。接着，他们又谈论了房间的风格、布置和光线，甚至小N还意识到了Brockman正站在上帝视角凝视着TA们。
最后视频以Brockman唱出的一句Thank you结束，在视频外的推文中他还透露新的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？
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。
GPT-4o则是跨文本、视觉和音频端到端训练的新模型，这意味着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专门的语音模型Whisper-V3以及谷歌和Meta的语音模型。
在视觉理解上，也再次反超Gemini 1.0 Ultra与对家Claude Opus
最后，除了OpenAI带来的精彩内容之外，也别忘了北京时间5月15日凌晨，谷歌将召开I/O大会。
鉴于OpenAI春节期间在谷歌发布Gemini 1.5 Pro后半小时左右用Sora狙击了一把，明天OpenAI还有新活也说不定呢？
来源：量子位微信公众号
深圳市虚拟现实产业联合会
