本文經量子位（公眾號 ID: QbitAI）授權轉載，轉載請聯繫出處
原標題 | GPT-4o深夜炸場！AI實時視頻通話絲滑如人類，Plus功能免費可用，奧特曼：《她》來了
作者|夢晨 克雷西
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。
現場直播的效果更是炸裂：
它能感受到你的呼吸節奏，也能用比以前更豐富的語氣實時回復，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，並生成文本、音頻和圖像輸出。
它可以在短至232毫秒、平均320毫秒的時間內響應音頻輸入，與人類在對話中的反應速度一致。
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、聯網、記憶、執行代碼、GPT Store……
將對所有用戶免費開放！
（新語音模式幾周內先對Plus用戶開放）
在直播現場，CTO Murati穆姐說：這是把GPT-4級別的模型開放出去，其實她還謙虛了。
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。
無論從網友上手體驗還是競技場排位來看，都是高於GPT-4-Turbo級別的模型了，ELO分數一騎絕塵。
而這樣的超強模型也將提供API，價格打5折，速度提高一倍，單位時間調用次數足足是原來的5倍！
追直播的網友已經在設想可能的應用，可以替代盲人看世界了。以及確實感覺比之前的語音模式體驗上強上不少。
鑒於之前不少人就已經和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在評論區了。
01
總裁Brockman在線演示
知道OpenAI發布會為什麼定在谷歌I/O前一天了——打臉，狠狠打臉。
谷歌Gemini發布會需要靠剪輯視頻和切換提示詞達成的偽實時對話效果，OpenAI現場全都直播演示了。
比如讓ChatGPT在語言不通的兩個人之間充當翻譯機，聽到英語就翻譯成義大利語，聽到義大利語就翻譯成英語。
發布會直播之外，總裁哥Brockman還發布了額外的5分鐘詳細演示。
而且是讓兩個ChatGPT互相對話，最後還唱起來了，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，她表示很酷並欣然接受。
接著，Brockman讓她稍作休息，並向小N也介紹情況，還順帶展示了小N的視覺能力。
只見打完招呼後，小N準確地說出了Brockman的衣著打扮和房間環境。而對於要和小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，他們又談論了房間的風格、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現，畫面中出現了一個女人在Brockman身後做了些惡搞的手勢。
這可不是亂入，是Brockman和女人串通好，專門給小N設計的一道「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麼不正常的地方。
結果是小N直接識破了Brockman的小伎倆，直接複述出了女人在他身後做小動作的場景，小O聽了之後直接感嘆原來在這裡享受樂趣的不只有我們兩個。
Brockman把這句話當成了誇讚，並對小O表示了感謝，還愉快地加入了TA們的對話。
之後是最後也是最精彩的部分，在Brockman的指揮下，小O和小N根據剛才聊天的內容，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，音色也是和真人毫無二致。
最後視頻以Brockman唱出的一句Thank you結束，在視頻外的推文中他還透露新的語音對話功能將在數周內向Plus用戶開放。
02
端到端訓練，一個神經網絡搞定語音文本圖像
正如奧特曼在發布會前所說，GPT-4o讓人感覺像魔法一樣，那麼它是如何做到的呢？
非常抱歉，這次非但沒有論文，連技術報告也不發了，只在官網Blog里有一段簡短的說明。
在GPT-4o之前，ChatGPT語音模式由三個獨立模型組成，語音轉文本GPT3.5/GPT-4文本轉語音。
我們也可以讓舊版ChatGPT語音模式自己講一下具體是怎麼個流程。
這樣一來，整個系統的延遲足足有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、多個說話者或背景噪音，也無法輸出笑聲、唱歌聲，或表達情感。
GPT-4o則是跨文本、視覺和音頻端到端訓練的新模型，這意味著所有輸入和輸出都由同一個神經網絡處理。
在語音翻譯任務上，強於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
雖然技術方面這次透露的消息就這麼多了，不過也有學者評價。
一個成功的演示相當於1000篇論文。
一個成功的演示相當於1000篇論文。
03
One More Thing
除了OpenAI帶來的精彩內容之外，也別忘了北京時間5月15日凌晨，谷歌將召開I/O大會。
到時量子位將繼續第一時間帶來最新消息。
另外根據網友推測，GPT-4o這麼強，全都免費開放了，這是勸大家不續訂ChatGPT Plus了的意思嗎？
那肯定不是啊～
鑒於OpenAI春節期間在谷歌發布Gemini 1.5 Pro後半小時左右用Sora狙擊了一把，明天OpenAI還有新活也說不定呢？
直播回放
https://www.youtube.com/watch?v=DQacCB9tDaw
參考連結：
[1]https://openai.com/index/hello-gpt-4o/
一 周 熱 點 回 顧
2024 Vista看天下
V
諾 基 亞 復 古 手 機，賣 瘋 了
新 晉 「性 張 力 的 神」迷 暈全 網
這 網 紅 的 「霸 凌 式 教 育」，氣 死 人 了
超強模型來了