今天凌晨，OpenAI又双缀缀发大招了，直接放出新的模型–GPT-4o，并号称可以实时对音频、视觉和文本进行推理。现场直播效果非常炸裂，能听、说、看，而且几乎没有延迟。
在GPT-4o出来以前，GPT也有语音对话功能，然而使用的体验并不好。以前语音的处理过程大概如下：用户输入语音—>转换为文本—>GPT理解文本并输出回答—>回答内容转换成语音播放，整个转换流程下来，基本耗时都在2s以上，而且不能输出语气、停顿等非语言信息。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。它可以通过摄像头实时识别用户环境中的内容，甚至跟你一起玩石头剪刀布。说到这个，就让我不得不想起Google Gemini发布时的宣传视频。OpenAI可能也考虑到这个，特意加了一句话：
“此页面上的所有视频均为 1 倍速实时”
鉴于Google I/O大会将在5月15日凌晨召开，OpenAI却选择这个时候放大招，很难说两者没有什么关系。
OpenAI：没有的事，只是巧合（包括上次的Sora）
GPT-4o真正厉害的地方在于互动性的全面提升，以前的GPT模型已经在智能的方面走了很远，但在与人互动方面还差点意思。就像我们平时人与人之间的对话，经常有打断情况，语气的不同会表示不同的意思等等，GPT-4o很好地解决这些问题，能清晰表达情感，对话延迟低，让AI更像人一样了。
GPT-4o后面那个o表示“omni”，意思是“全能的”、“全面的”。据说就是之前在大模型竞技场搞A/B测试的模型之一，im-also-a-good-gpt2-chatbot。
下面是文本评价得分对比：
以及视觉理解评估：
这里可以看出GPT-4o的视觉理解评分都要强于其他模型。
当然对于用户来说，最关心的还是GPT-4o的定价问题。OpenAI在发布会上明确说明了GPT-4o将免费提供给所有人使用，是的，你没看错，就是免费。
ChatGPT免费用户可以访问新模型加持下的功能，包括：
- 体验GPT-4级别的智能
- 从联网后的模型得到响应
- 分析数据并创建图表
- 畅聊你拍的照片
- 上传文件以帮助总结、撰写或分析
- 发现和使用GPTs和GPT Store
- 用记忆构建更有用的体验
当然在使用额度上，Plus会员是免费的5倍。还有API方面，GPT-4o相较于GPT-4 Turbo，推理速度提升2倍，消息限制提高五倍，而且价格还会降低50%，可以说相当良心了。
而且，为了真正实现「让AGI惠及全人类」的愿景，GPT-4o有50种语言的版本，并改进了推理的质量和速度，这也就意味着，全球97%的人口都可以使用GPT-4o了！
GPT-4o有50种语言的版本，并改进了推理的质量和速度，这也就意味着，全球97%的人口都可以使用GPT-4o了！
如果你想升级到ChatGPT 4.0，请看我的另一篇教程：【GPT4.0】怎样才能使用GPT4.0？如何升级GPT4.0？
