闭源模型OpenAI2024 年 5 月 13 日

GPT-4o：原生多模态

一个模型同时处理文字、图片和语音，可以实时语音对话、打断、表达情绪。

约 320 毫秒平均语音响应时间，接近真人

为什么重要

交互方式从“打字”变成“对话”，并向免费用户开放了 GPT-4 级别的能力。

代价与争议

演示语音与某女演员的声音相似，引发争议，该音色被下线。

源自

GPT-4

引出

GPT-5

出处: openai.com ↗

在 3D 时间轴上查看 →