OpenAI于周一宣布推出全新旗舰级生成式AI模型GPT-4o，其中“o”代表“omni”（全能），指该模型具备处理文本、语音和视频的能力。该模型将在未来几周内以迭代方式逐步部署至开发者及消费者产品中。
GPT-4o：多模态推理与交互革新
OpenAI首席技术官Mira Murati表示，GPT-4o提供了“GPT-4级别”的智能水平，同时在多种模态和媒体方面提升了能力。她强调：“GPT-4o能够在语音、文本和视觉之间进行推理，这对展望人与机器交互的未来极其重要。”
相较于此前结合图像和文本训练的GPT-4 Turbo，GPT-4o将语音加入了混合能力中，这将带来多样化的应用可能。
ChatGPT体验全面升级
GPT-4o极大增强了ChatGPT的使用体验。新版语音模式支持实时响应，用户可在对话中随时打断，模型还能捕捉语音细微差别并生成包含唱歌在内的多种情感风格语音。
在视觉能力方面，ChatGPT可快速分析照片或屏幕内容，回答从代码解析到衣物品牌识别等各类问题。
Murati指出，这些功能将持续演进。目前模型已支持菜单图片翻译，未来或将实现“观看”体育赛事并解释规则。她表示，团队正致力于让交互更自然简单，使用户无需关注UI即可专注于协作，这是易用性方面的巨大飞跃。
性能提升与API部署策略
GPT-4o在多语言支持上显著增强，约50种语言表现优化。在OpenAI API及Azure OpenAI服务中，其速度是GPT-4 Turbo的两倍，价格仅为一半，且速率限制更高。
出于防滥用考虑，语音功能暂未对所有API客户开放，计划在未来几周优先向受信任合作伙伴推出。
产品更新与免费权益扩展
即日起，GPT-4o面向ChatGPT免费层用户开放；Plus及Team订阅用户享有高5倍消息限额（达限后自动切换至GPT-3.5）。改进版语音体验将于下月以Alpha版向Plus用户推出，企业选项同步上线。
网页端ChatGPT界面焕新，采用更具对话感的主屏幕布局；macOS桌面版同步发布，支持快捷键提问及截图讨论，Plus用户即刻可用，Windows版将于年内推出。
此外，GPT Store及创作工具已向免费用户开放。记忆功能、文件上传及联网搜索等原付费功能现均可免费使用。
