OpenAI发布GPT-4o：可实时对音频、视觉和文本进行推理，能处理超过50种不同的语言

　　5月14日，在今天凌晨的OpenAI发布会上，最新升级的大模型GPT-4o正式发布。

　　GPT-4o的“o”代表“omni”。该词意为“全能”，源自拉丁语“omnis”，在英语中“omni”常被用作词根，用来表示“全部”或“所有”的概念。

　　GPT-4o可以实时对音频、视觉和文本进行推理，能处理超过50种不同的语言，并且速度和质量大大提升。

　　此前GPT-3.5语音对话的平均延迟为2.8秒、GPT-4为5.4秒，音频在输入时还会由于处理方式丢失大量信息，无法识别笑声、歌唱声和情感表达等。

　　而GPT-4o可以在232毫秒内对音频输入做出反应，甚至还能随意打断，与人类在对话中的反应时间相近，彻底颠覆了以往的“语音助手”。

　　GPT-4o在现场充当实时翻译也是相当的丝滑，意大利语和英语即听即翻。

　　最重要的是，GPT-4o还可以接受文本、音频和图像三者组合作为输入，并生成文本、音频和图像的任意组合输出，人机交互更加自然、全面了。

　　GPT-4o的能力还会向免费用户开放，不过会限制数量，免费用户达到数量之后，会自动跳回GPT-3.5。

　　GPT-4o还将开放相应API给GPT的开发者，价格是GPT-4-turbo的一半，速度却是GPT-4-turbo的两倍，速率限制也高5倍。

　　官方表示，GPT-4o将会在未来几周内陆续开放。

　　此外，OpenAI还推出了ChatGPT的桌面版应用，不过目前只有MacOS版本，Windows版要稍晚一些亮相。