OpenAI 发布 GPT-4o 模型，音频理解能力引关注

的旗舰模型 GPT-4o（"o" 代表 "omni"）在五月份发布时，其音频理解能力备受瞩目。GPT-4o 模型能够以平均320毫秒的速度回应音频输入，这与人类在典型对话中的反应时间相似。

还宣布， 的语音模式功能将利用 GPT-4o 模型的音频能力，为用户提供无缝的语音对话体验。关于 GPT-4o 的语音能力， 团队写道:

"通过 GPT-4o，我们训练了一个全新的模型，将文本、视觉和音频三种模态进行端到端的训练，也就是说，所有的输入和都由同一个神经网络处理。由于 GPT-4o 我们首个结合所有这些模态的模型，我们仍然只是初步探索了模型的潜力和限制。"

在六月份， 宣布，计划将先进的语模式在晚些时候向一小部分 Plus 用户进行 Alpha 版推出，但由于需要改进模型检测和拒绝某些内容的能力，该计划被推迟了一个月。此外， 还在准备其基础设施，以便在保持实时响应的同时扩展到数百万用户。

现在， 的 CEO Sam 通过 X 证实，语音模式的 Alpha 版将于下周开始向 Plus 订阅者推出。

目前的 语音模式由于平均延迟为2.8秒（GPT3.5）和5.4秒(GPT-4)，使用起来并不直观。基于 GPT-4o 的即将推出的先进语音模式将允许 订阅者进行无延迟的流畅对话。

另外， 今天还发布了备受期待的 ，这是他们对网络搜索体验的新尝试。目前 还是一个原型，它提供了人工智能搜索功能，可以从清晰和相关的来源中快速提供准确的答案。你可以在这里了解更多。

划重点:

- Plus 订阅者将在下周获得全新的语音模式功能，实现无延迟的流畅对话体验。

- GPT-4o 模型结合了文本、视觉和音频三种模态的训练，为 探索了更多潜力和限制。

- 还发布了 ，提供了快速准确的人工智能搜索功能。

备注：资讯来源基地

副业搞钱交流群

欢迎大家加入交流群， 扫码进入，畅谈AI赚钱心得，共享最新行业动态，发现潜在合作伙伴，迎接未来的赚钱机遇！。