最近，OpenAI春季更新可以说是如期而至，而在这次更新里出现的GPT-4o，更是引起了多方关注。那么，GPT-4o究竟有哪些来头？

“GPT-4o的特别之处，在于它将GPT-4级别的智能带给了所有人，包括我们的免费用户。”

北京时间5月13日凌晨，早有预告的OpenAI春季更新如期而至。

在这次总时长不到半个小时的发布会中，圈内最熟悉的公司首席执行官山姆 奥特曼（Sam Altman）并未现身，首席技术官穆里 穆拉蒂（Muri Murati）及两名研究主管马克 陈（Mark Chen）和巴雷特 佐夫（Barret Zoph）三人围坐，共同介绍了这次更新：

推出桌面版ChatGPT & 网页端UI更新，以及最重要的，发布GPT-4o。

其中的“o”代表“omni”，意为全能的。根据OpenAI官网给出的介绍，GPT-4o可以处理文本、音频和图像任意组合作的输入，并生成对应的任意组合输出。特别是音频，它可以在短至232毫秒的时间内响应用户的语音输入，平均320毫秒的用时已经接近人类在日常对话中的反应时间。

与现有模型相比，GPT-4o在视觉和音频理解方面尤其出色。

此外，GPT-4o在英语文本和代码上的性能也与GPT-4 Turbo处于同一水平线，在非英语文本上的性能有着显着提高，同时API速度快，速率限制高出5倍，成本则降低了50%。

穆里 穆拉蒂表示，OpenAI使命的一个非常重要的部分，是让他们的高级人工智能工具能够向所有人免费提供，让人们对技术的能力有“直观的感受”。

关键词：更快，更强，还免费。

当然，目前官方给出的免费限制在一定的消息数量上，超过这个消息量后，免费用户的模型将被切换回ChatGPT，也就是GPT3.5，而付费用户则将拥有五倍的GPT-4o消息量上限。

实际上，早在去年九月末，OpenAI团队就已在官网发布过一片文章，介绍当时的ChatGPT的语音对话和看图识图功能。

在此前参加播客节目“All-in Podcast”时，山姆 奥特曼曾谈及了ChatGPT的多模态交互能力，以及对包括GPT-5在内新一代AI产品更新的态度。

对于ChatGPT已有的语音功能，播客主持人表示他和家人很喜欢这个功能，尽管应用时不时还会出现一些延迟问题。

奥特曼当时回应称，OpenAI会继续改进并提升语音功能的质量：“我相信，语音交互是通向未来交互方式的一个重要线索。如果能够实现真正优质的语音互动体验，将会是一种与计算机互动的全新方式。”

对于响应速度不够快、对话缺乏流畅度和不自然的感觉，奥特曼表示团队正努力改进，致力力于让这些方面的体验得到显著提升。

现在，就像他本人在X平台上的预告，新发布的GPT-4o“像魔法一样”。

在此前的模型中，用户使用语音模式与ChatGPT对话的平均延迟为2.8秒(GPT-3.5)和5.4秒(GPT-4)。造成延迟的原因是：语音模式是由三个独立模型组成的通道，第一个简单模型将音频转录为文本，GPT-3.5或GPT-4接收并输出文本，第三个简单模型再将该文本转换回音频。

这个转录再转回的过程，导致GPT-4丢失了其中的大量信息，无法直接观察音调、多个说话者（的音色区别）或背景噪音，也无法输出笑声、歌唱或表达情感。

而借助GPT-4o，OpenAI跨文本、视觉和音频，端到端地训练了一个新模型。所有输入和输出都在该模型中交由同一神经网络进行处理。

因此，新发布的GPT-4o模型，可以做到随时开始或打断对话，识别说话人的语气、情绪，根据场景或指令生成多种音调、带有丰富人类情绪特征的音频回复（甚至可以要求GPT-4o唱歌）。

图像处理层面，在传统意义上识图的基础上，GPT-4o可以识别手写体（如解答手写的方程组）、精准分析数据，并能够读懂画面中人物的面部表情。

数据层面，根据传统基准测试，GPT-4o的性能对比GPT-4 Turbo基本都处于优势，对比其他模型更是大幅领先。

根据官网给出的资料，目前GPT-4o已经支持包括中文在内的20种语言进行音频等多模态交互。OpenAI表示，这次更新“是朝着实用性的方向发展”，此次发布会主要聚焦于免费用户，新功能将在未来几周内逐步推送给所有用户。

多模态交互的上限再次被拉高，OpenAI仍是那个拥有顶级理解，总能先一步给出范式的玩家。

接下来要期待的，或许是第一个在发布会上打出“对标GPT-4o”的大模型厂商，会何时出现了。毕竟，这恐怕不只是改个PPT的事儿。

会是明天的谷歌吗？