OpenAI 的 GPT-4o 展示了人工智能的潜力

2024 年 5 月 13 日星期一，OpenAI 宣布推出其新的旗舰模型GPT-4o，其中的 "o "代表 "omni"。GPT-4o是一种先进的多模态人工智能模型，用于实时文本、音频和视觉交互，提供更快的处理速度、多语言支持和更高的安全性。

它带来了前所未有的人工智能生成功能。基于ChatGPT 的对话优势，GPT-4o 的功能标志着人们在如何看待人工智能方面向前迈出了一大步。现在，我们可以像与真人对话一样与 GPT-4o 交谈。让我们深入了解一下 GPT-4o 的具体功能！

了解 GPT-4o

OpenAI 的春季更新显示，GPT-4o 与 GPT-4 一样智能，但处理数据的速度更快，处理文本、视觉和音频的能力更强。与之前发布的侧重于让模型更智能的版本不同，这次发布的版本考虑到了让普通用户更容易使用人工智能的需要。 

ChatGPT去年年底发布的语音模式涉及三个不同的模型，它们共同转录语音输入，理解并生成书面回复，以及将文本转换为语音，以便用户可以听到回复。这种模式存在延迟问题，而且感觉不是很自然。GPT-4o 可以一次性处理文本、图像和音频，让用户感觉自己是在进行自然对话。 

此外，与语音模式不同的是，你现在可以在 GPT-4o 说话时打断它，它会像人一样做出反应。它会暂停并倾听，然后根据你所说的话做出实时回应。它还可以通过语音表达情绪，并能听懂你的语气。 

令人兴奋的 GPT-4o 功能

GPT-4o 的模型评估显示了它的先进性。最有趣的结果之一是，与 Whisper-v3 相比，GPT-4o 极大地提高了所有语言的语音识别能力，尤其是那些不常用的语言。 

音频 ASR（自动语音识别）性能衡量的是一个模型将口语转录为文本的准确程度。GPT-4o 的性能是通过字词错误率（WER）来跟踪的，它显示了错误转录的字词百分比（WER 越低表示质量越好）。下图显示了 GPT-4o 在不同地区的较低 WER，证明了它在改善资源较少语言的语音识别方面的有效性。

下面我们来看看 GPT-4o 的更多独特功能：

• 更快--速度是 GPT-4 Turbo 的两倍。它能在短短 232 毫秒内响应音频输入，与人类对话的响应时间相近。
• 成本效益高 - API 版本的 GPT-4o 比 GPT-4 Turbo 便宜 50%。
• 记忆力 - GPT-4o 能够在不同的对话中保持意识。它能记住您在不同聊天中谈论的内容。
• 多语种 - GPT-4o 经过培训，可使用 50 种不同语言提高速度和质量。

GPT-4o 的功能举例

现在，您可以拿出手机上的 GPT-4o，打开摄像头，像对待朋友一样让 GPT-4o 根据您的面部表情猜测您的心情。GPT-4o 可以通过摄像头看到你，并回答你的问题。

你甚至可以用它来帮助你解决数学问题，通过视频向 GPT-4o 展示你正在写的内容。或者，你也可以分享自己的屏幕，让它成为可汗学院的辅导员，让你指出几何中三角形的不同部分，如下图所示。

除了帮助孩子们学习数学，开发人员还可以与 GPT-4o 进行对话，以调试他们的代码。这要归功于ChatGPT 作为桌面应用程序的推出。如果你在与桌面 GPT-4o 语音应用程序对话时使用 CTRL "C "选中并复制你的代码，它就能读取你的代码。或者，你也可以用它来翻译不同语言开发人员之间的对话。 

GPt-4o 的可能性似乎无穷无尽。OpenAI 最有趣的演示之一是用两部手机展示 GPt-4o 与自身的不同实例对话并一起唱歌。

GPT-4o 应用

如演示所示，GPT-4o 可以让视力障碍者更容易接近世界。它可以帮助他们更安全、更独立地进行互动和移动。例如，用户可以打开视频，向 GPT-4o 展示街道的景象。然后，GPT-4o 可以提供环境的实时描述，如识别障碍物、阅读路标或引导他们到达特定地点。GPT-4o 甚至可以在出租车接近时发出警报，帮助他们叫车。

同样，GPT-4o 的先进功能也能改变各行各业。在零售业，它可以通过提供实时帮助、回答询问以及帮助客户在网上和店内寻找产品来改善客户服务。比方说，你在货架上找不到自己想要的产品，GPT-4o 可以帮助你。 

在医疗保健领域，GPT-4o 可以通过分析病人数据来协助诊断，根据症状提出可能的病症，并就治疗方案提供指导。它还可以通过汇总病人记录、快速查阅医学文献，甚至提供实时语言翻译，与讲不同语言的病人进行交流，为医疗专业人员提供支持。这些只是其中的几个例子。GPT-4o 的应用通过提供量身定制的情境感知帮助，打破信息和交流障碍，让日常生活变得更加轻松。

GPT-4o 和型号安全

与影响了数亿人生活的前几个版本的 GPT 一样，GPT-4o 可能会在全球范围内与实时音频和视频进行交互，因此安全是这些应用的关键因素。OpenAI 在构建 GPT-4o 时非常谨慎，重点关注降低潜在风险。

为确保安全性和可靠性，OpenAI 实施了严格的安全措施。这些措施包括过滤训练数据、在训练后完善模型行为，以及采用新的安全系统管理语音输出。此外，GPT-4o 还经过了 70 多位外部专家的广泛测试，这些专家涉及的领域包括社会心理学、偏见与公平性以及错误信息等。外部测试可确保识别并解决新功能带来或扩大的任何风险。

为了保持较高的安全标准，OpenAI 将在未来几周内逐步发布 GPT-4o 的功能。通过分阶段推出，OpenAI 可以监控性能、解决任何问题并收集用户反馈。采取谨慎的方法可确保 GPT-4o 在提供先进功能的同时，保持最高的安全和道德使用标准。

亲自体验 GPT-4o

GPT-4o 可免费使用。要体验上述实时对话功能，可以直接从 Google Play 商店或 Apple App Store 下载ChatGPT 应用程序到手机上。 

登录后，点击屏幕右上角的三个点，就能从显示的列表中选择 GPT-4o。导航到启用了 GPT-4o 的聊天工具后，点击屏幕左下角的加号，就能看到多个输入选项。在屏幕右下角，你会看到一个耳机图标。选择耳机图标后，系统会询问你是否愿意体验免提版的 GPT-4o。同意后，您就可以试用 GPT-4o，如下图所示。

如果您想将 GPT-4o 的高级功能集成到自己的项目中，可将其作为API提供给开发人员。通过它，您可以将 GPT-4o 强大的语音识别、多语言支持和实时会话能力整合到您的应用程序中。通过使用 API，您可以增强用户体验，构建更智能的应用程序，并将最前沿的人工智能技术引入不同领域。

GPT-4o：还不是人类

虽然 GPT-4o 比以前的人工智能模型先进得多，但必须记住，GPT-4o 也有自己的局限性。OpenAI 提到，它有时会在说话时随机切换语言，从English 切换到法语。他们还看到 GPT-4o 在不同语言之间出现错误翻译。随着越来越多的人试用该模型，我们将了解 GPT-4o 的优势和需要进一步改进的地方。

底线

OpenAI 的 GPT-4o 凭借其先进的文本、视觉和音频处理技术，为人工智能打开了一扇新的大门，提供自然的、类似人类的交互。它在速度、成本效益和多语言支持方面表现出色。GPT-4o 是教育、无障碍和实时辅助的多功能工具。随着用户对 GPT-4o 功能的探索，反馈将推动其不断发展。GPT-4o 证明，人工智能正在真正改变我们的世界，成为我们日常生活的一部分。 

探索我们的GitHub 存储库 ，加入我们的社区，深入了解人工智能。访问我们的解决方案页面，了解人工智能如何改变制造业和农业等行业。