GPT-4o模型基于来自互联网的大量数据进行训练，更擅长处理文本和音频，并且支持50种语言。更值得一提的是，GPT-4o最快可以在232毫秒的时间内响应音频输入，几乎达到了人类的响应水平。

　　GPT-4o有多“炸裂”？核心能力有三

　　GPT-4o中的“o”代表“omni”，意为“全能”。OpenAI官网介绍称，GPT-4o向更自然的人机交互迈进了一步，因为它接受文本、音频和图像的任意组合作为输入内容，并生成文本、音频和图像的任意组合输出内容。

　　那GPT-4o到底有多强，有哪些核心能力呢？

能力一：“实时”互动，表达富有情感，视觉功能更强

　　OpenAI表示，GPT-4o显著提升了AI聊天机器人ChatGPT的使用体验。虽然ChatGPT长期支持语音模式，可将ChatGPT的文本转为语音，但GPT-4o在此基础上进行了优化，使用户能够像与助手互动一样自然地使用ChatGPT。

　　例如，用户现在可以在ChatGPT回答问题时中断它。而且，新模型能够提供“实时”响应，甚至能够捕捉到用户声音中的情感，并以不同的情感风格生成语音，如同真人一般。此外，GPT-4o还增强了ChatGPT的视觉功能。通过照片或屏幕截图，ChatGPT现在可以迅速回答相关问题，从“这段代码是做什么用的”到“这个人穿的是什么品牌的衬衫”。

　　美国科技媒体Quartz报道称，OpenAI新发布的ChatGPT-4o的技术让人印象深刻。OpenAI的演示表明，机器人现在可以与人类进行实时对话，与真人水平几乎没有区别。如果最终版本像OpenAI官方的演示一样，那么OpenAI似乎已经从某种程度上验证AI将在多大程度上改变我们的世界。

　　能力二：多语言表现出色，响应速度几乎与真人无异

　　GPT-4o的多语言功能得到了增强，在50种不同的语言中表现更佳。在OpenAI的API中，GPT-4o的处理速度是GPT-4（特别是 GPT-4 Turbo）的两倍，价格则是GPT-4 Turbo的一半，同时拥有更高的速率限制。

　　OpenAI官网介绍称，GPT-4o最快可以在232毫秒的时间内响应音频输入，平均响应时间为320毫秒，这与人类在对话中的响应时间相似。它在英语文本和代码方面的性能与GPT-4 Turbo的性能一致，并且在非英语文本方面的性能有了显著提高。

　　用户只需发出简单的“嘿，ChatGPT”语音提示，即可获得代理的口语回应。然后，用户可以用口语提交查询，并在必要时附上文字、音频或视觉效果——后者可包括照片、手机摄像头的实时画面或代理能“看到”的任何其他内容。

2024年快速升级ChatGPTPLSU方法，开卡即可升级，支持微信支付宝

　　能力三：在推理及音频翻译方面树立新标杆

　　据OpenAI研究人员William Fedus透露，GPT-4o实际上就是上周在LMSYS模型竞技场上引起整个AI圈疯狂试用的GPT-2模型的另一版本，并附上了GPT-4o的基准测试评分对比图，相比GPT-4 Turbo提升了超过100个单位。

　　推理能力方面，GPT-4o在MMLU、GPQA、MATH、HumanEval等测试基准上均超越GPT-4 Turbo、Claude 3 Opusn、Gemini Pro 1.5等前沿模型，取得最高分。

​

音频ASR（智能语音识别）性能方面，GPT-4o相比Whisper-v3，在所有语言的语音识别性能上均大幅提高，尤其是资源较少的语言。

​

音频翻译方面，GPT-4o也树立了新的标杆，在MLS基准测试中优于Whisper-v3以及Meta、谷歌的语音模型。

评价褒贬不一，有网友认为压力给到Siri了

　　虽然并未在OpenAI周一的重磅直播演示中现身，但OpenAI的CEO阿尔特曼对这次演示进行了重要的总结。阿尔特曼称，OpenAI在ChatGPT中免费提供了世界上最好的模型，新的语音和视频模式是他用过的最好的计算交互界面，感觉就像电影里的人工只能一样，达到与人类相似的响应速度和表达能力。

　　目前，GPT-4o的文本和图像功能开始在ChatGPT中免费推出，Plus用户可以享受到5倍的调用额度。在接下来的几周内，OpenAI将在ChatGPT Plus中推出Voice Mode新版本，该版本带有GPT-4o。