OpenAI 发布最新旗舰级模型 GPT-4o，可以实时推理音频、视觉和文本，主打概念为拟人化、超自然、超低时延的个人语音交互助理。根据 OpenAI 官方网站及 X 平台官方账号相关信息，GPT4o 中的 o 代表 Omni（全面），是迈向更自然的人机交互的一步——它接受文本、音频和图像的任意组合作为输入，并支持生成任意组合的文本、音频和图像输出。它可以在 232 毫秒内响应音频输入，平均 320 毫秒，与对话中人类反应时间相似。在英语和代码方面，它与 GPT-4 Turbo 性能相当，在非英语语言文本上有显著改进，同时 API 速度更快且成本便宜 50%。与现有模型相比，GPT-4o 在视觉和音频理解方面表现特别出色。文本和图像输入将于今日在 API 和 ChatGPT 中推出，语音和视频输入将在未来几周内推出。
