今天凌晨，一场不到 30 分钟的发布会，将又一次大大改变 AI 行业和我们未来的生活，也会让无数 AI 初创公司焦头烂额。
这真不是标题党，因为这是 的发布会。
刚刚， 正式发布了 GPT-4o，其中的“o”代表“omni”（即全面、全能的意思），这个模型同时具备文本、图片、视频和语音方面的能力，甚至就是 GPT-5 的一个未完成版。
更重要的是，这个 GPT-4 级别的模型，将向所有用户开放，并且未来几周内先向 Plus 推送。
图片来自：发布会
我们先给大家一次性总结这场发布会的亮点，更多功能解析请接着往下看。
发布会要点
1. 新的 GPT-4o 模型：打通任何文本、音频和图像的输入，相互之间可以直接生成，无需中间转换
2. GPT-4o 语音延迟大幅降低，能在 232 毫秒内回应音频输入，平均为 320 毫秒，这与对话中人类的响应时间相似。
3. GPT-4 向所有用户免费开放
4. GPT-4o API，比 GPT 4-Turbo 快 2 倍，价格便宜 50%
5. 惊艳的实时语音助手演示：对话更像人、能实时翻译，识别表情，可以通过摄像头识别画面写代码分析图表
6. 新 UI，更简洁
7. 一个新的 桌面应用程序，适用于 macOS， 版本今年晚些时候推出
这些功能早在预热阶段就被 形容为“感觉像魔法”。既然全世界 AI 模型都在“赶超 GPT-4”，那 也要从武器库掏出点真家伙。
当然，还轮不到 GPT-5 登场。
您目前设备暂不支持播放
视频来自@dotey
免费可用的 GPT-4o 来了，但这不是它最大的亮点
其实在发布会前一天，我们发现 已经悄悄将 GPT-4 的描述从“最先进的模型”，修改为“先进的”。这正是为了迎接 GPT-4o 的到来。
GPT-4o 的强大在于，可以接受任何文本、音频和图像的组合作为输入，并直接生成上述这几种媒介输出。
这意味着人机交互将更接近人与人的自然交流。
GPT-4o 可以在 232 毫秒内回应音频输入，平均为 320 毫秒，这接近于人类对话的反应时间。此前使用语音模式与 进行交流，平均延迟为 2.8 秒（GPT-3.5）和 5.4 秒（GPT-4）。
它在英文和代码文本上与 GPT-4 Turbo 的性能相匹敌，在非英语语言文本上有显著改进，同时在 API 上更快速且价格便宜 50%。
而与现有模型相比，GPT-4o 在视觉和音频理解方面表现尤为出色。
从测试参数来看，GPT-4o 主要能力上基本和目前最强 的 GPT-4 Turbo 处于一个水平。
过去 Siri 或其他语音助手的使用体验都不够理想，本质上是因为语音助手对话要经历三个阶段：
1. 语音识别或“ASR”：音频 -> 文本，类似 ；
2. LLM 计划下一步要说什么：文本 1 -> 文本 2；
3. 语音合成或“TTS”：文本 2 -> 音频，想象 或 VALL-E。
然而我们日常的自然对话基本上却是这样的：
此前的 AI 语言助手无法很好处理这些问题，在对话的三个阶段每一步都有较大延迟，因此体验不佳。同时会在过程中丢失很多信息，比如无法直接观察语调、多个说话者或背景噪音，也无法输出笑声、歌唱或表达情感。
当音频能直接生成音频、图像、文字、视频，整个体验将是跨越式的。
GPT-4o 就是 为此而训练的一个全新的模型，而要时间跨越文本、视频和音频的直接转换，这要求所有的输入和输出都由同一个神经网络处理。
而更令人惊喜的是， 免费用户就能使用 GPT-4o 可以体验以下功能：
而当你看完 GPT-4o 下面这些演示，你的感受或许将更加复杂。
版“贾维斯”，人人都有
不光能说，能听，还能看，这已经不是什么新鲜事了，但“船新版本”的 还是惊艳到我了。
睡觉搭子
以一个具体的生活场景为例，让 讲一个关于机器人和爱的睡前故事，它几乎不用太多思考，张口就能说出一个带有情感和戏剧性的睡前故事。
甚至它还能以唱歌的形式来讲述故事，简直可以充当用户的睡眠搭子。
做题高手
又或者，在发布会现场，让其演示如何给线性方程 3X+1=4 的求解提供帮助，它能够一步步贴心地引导并给出正确答案。
当然，上述还是一些“小儿戏”，现场的编码难题才是真正的考验。不过，三下五除二的功夫，它都能轻松解决。
借助 的“视觉”，它能够查看电脑屏幕上的一切，譬如与代码库交互并查看代码生成的图表，咦，不对劲？那我们以后的隐私岂不是也要被看得一清二楚了？
实时翻译
现场的观众也给 提出了一些刁钻的问题。
从英语翻译到意大利语，从意大利语翻译到英语，无论怎么折腾该 AI 语音助手，它都游刃有余，看来没必要花大价钱去买翻译机了，在未来，指不定 可能比你的实时翻译机还靠谱。
您目前设备暂不支持播放
实时翻译（官网案例）
感知语言的情绪还只是第一步， 还能解读人类的面部情绪。
在发布会现场，面对摄像头拍摄的人脸， 直接将其“误认为”桌子，正当大家伙以为要翻车时，原来是因为最先打开的前置摄像头瞄准了桌子。
不过，最后它还是准确描述出自拍面部的情绪，并且准确识别出脸上的“灿烂”的笑脸。
您目前设备暂不支持播放
两个 GPT-4o 互动并唱歌（官网案例）
有趣的是，在发布会的尾声，发言人也不忘 Cue 了英伟达和其创始人老黄的“鼎力支持”，属实是懂人情世故的。
对话语言界面的想法具有令人难以置信的预见性。
在此前的采访中表示希望最终开发出一种类似于 AI 电影《Her》中的 AI 助理，而今天 发布的语音助手切实是有走进现实那味了。
的首席运营官 Brad 前不久曾预测，未来我们会像人类交谈一样与 AI 聊天机器人对话，将其视为团队中的一员。
现在看来，这不仅为今天的发布会埋下了伏笔，同时也是我们未来十年生活的生动注脚。
苹果在 AI 语音助手“兜兜转转”了十三年的时间都没能走出迷宫，而 一夜之间就找到出口。在不久的将来，也许人手一个钢铁侠的“贾维斯”将不再是幻想。
《她》来了
虽然 Sam 没在发布会上出现，但他在发布会后就发布了一篇博客，并且在 X 上发了一个词：her。
这显然在暗指那部同名的经典科幻电影《她》，这也是我观看这场发布会的演示时，脑子里最先联想到的画面。
电影《她》里的萨曼莎，不只是产品，甚至比人类更懂人类，也更像人类自己 ，你真的能在和她的交流中逐渐忘记，她原来是一个 AI。
这意味着人机交互模式可能迎来图像界面后真正的革命性更新，如同 Sam 在博客中表示：
新的语音（和视频）模式是我使用过的最好的计算机界面。它感觉像电影中的人工智能；而且我仍然有点惊讶它是真实的。达到人类级别的响应时间和表现力原来是一个很大的改变。
之前的 让我们看到自然用户界面初露端倪：简单性高于一切：复杂性是自然用户界面的敌人。每个交互都应该是不言自明的，不需要说明手册。
但今天发布的 GPT-4o 则完全不同，它几乎无延迟的响应、聪明、有趣、且实用，我们和计算机的交互从未真正体验过这样的自然顺畅。
这里面还藏着巨大可能性，当支持更多的个性化功能和与不同终端设备的协同后，意味着我们能够利用手机、电脑、智能眼镜等计算终端做到很多以往无法实现的事情。
AI 硬件不会再试积累，当下更令人期待的，就是如果下个月苹果 WWDC 真的官宣与 达成合作，那么 的体验提升或许将比近几年任何一次发布会都大。
英伟达高级科学家 Jim Fan认为，号称史上最大更新 iOS 18 ，和 的合作可能会有三个层面：
说到这里，也不得不心疼明天要举办发布会的 一秒。
———END———
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，永久会员只需109元，全站资源免费下载 点击查看详情
站 长 微 信： nanadh666
