ChatGPT-4o太丝滑了，堪比电影《her》，探索音频丝滑的应用场景

今天凌晨，一场 26 分钟的发布会，将又一次大大改变 AI 行业和我们未来的生活，也会让无数 AI 初创公司焦头烂额。

这真不是标题党，因为这是 OpenAI 的发布会。

而且有点像春晚！

GPT-4o模型以其全面全能的特性，为音频交互的未来描绘了一幅激动人心的图景。GPT-4o的发布，不仅标志着AI技术的一次巨大飞跃，更为声音与文字之间的无缝转换打开了新的大门。

新的 GPT-4o 模型：打通任何文本、音频和图像的输入，相互之间可以直接生成，无需中间转换GPT-4o 语音延迟大幅降低，能在 232 毫秒内回应音频输入，平均为 320 毫秒，这与对话中人类的响应时间相似。

所有做自媒体的朋友，都知道，在语音和文本互转上，国内也有不少的应用。只不过这些应用不是双向传输，只是文本和语音的互转，以及生成。

语音转文字：替我录音

“”是一款将声音转换为文字的智能工具，能够实时捕捉语音并精确转换为文本。在会议、讲座或任何需要记录的场合，“替我录音”都能大显身手。它不仅提高了记录的效率，还通过智能整理功能，让文字内容更加条理清晰，便于后续的查阅和分析。

文字转声音：牛片配音

“牛片配音”将文字转化为富有表现力的语音输出。支持多语种的配音，还能够根据文字内容调整语调和情感，让声音传达出更多的信息和情感。从商业广告的配音到电子书籍的有声化，再到社交媒体上的视频内容制作，“牛片配音”都能提供高质量的语音输出。它极大地丰富了数字内容的形式，使得文字内容能够以更加生动的方式呈现给观众。

但实际上，这些在GPT-4o来说，已经是很基础的应用了。来看开这款产品，到底有哪些突破？

免费开放，性能卓越

令人兴奋的是，GPT-4o将向所有用户免费提供，并且在未来几周内，ChatGPT Plus的订阅用户将能体验到这一全新模型的强大功能。GPT-4o的API比GPT-4-turbo快两倍，同时成本降低了50%，这对开发者和企业来说无疑是一大福音。

实时语音助手，交互更自然

GPT-4o在语音延迟方面取得了显著进步，能够在232毫秒内回应音频输入，平均响应时间为320毫秒，与人类对话的自然反应时间相仿。这标志着我们向更自然、更流畅的人机对话体验迈出了一大步。

多模态交互，能力全面

GPT-4o的强大之处在于其多模态交互能力。它可以接受文本、音频和图像的任意组合作为输入，并直接生成这些媒介的输出，无需任何中间转换步骤。这一功能大幅提高了人机交互的效率和自然度。

不只是听得到，还能看得见！

新UI和桌面应用

除了模型本身的突破，OpenAI还推出了新的ChatGPT用户界面和桌面应用程序。新UI更加简洁，而桌面应用将支持macOS系统，并计划在今年晚些时候推出Windows版本。

未来展望

电影《her》，萨曼莎，不只是产品，甚至比人类更懂人类，也更像人类自己 ，你真的能在和她的交流中逐渐忘记，她原来是一个 AI 。

OpenAI的首席运营官Brad Lightcap曾预测，未来我们将像与人类交谈一样与AI聊天机器人对话，将其视为团队中的一员。GPT-4o的发布，让我们向这一愿景迈进了一大步。我们有理由相信，不久的将来，类似于电影《钢铁侠》中的AI助理“贾维斯”将成为现实。

随着AI技术的不断进步，我们的生活方式和工作模式将发生翻天覆地的变化。OpenAI的GPT-4o模型，不仅是AI行业的一次巨大飞跃，也为我们所有人打开了通往未来的一扇门。

感兴趣的去看一下视频。