GPT-4o深夜炸场!AI实时视频通话丝滑如人类,Plus功能免费可用,奥特曼:《她》来了
ChatGPT Plus功能免费用…
梦晨 克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
不开玩笑,电影《她》真的来了。
OpenAI最新旗舰大模型GPT-4o,不仅免费可用,能力更是横跨听、看、说,丝滑流畅毫无延迟,就像在打一个视频电话。
现场直播的效果更是炸裂:
它能感受到你的呼吸节奏,也能用比以前更丰富的语气实时回复,甚至可以做到随时打断。
【视频请移步公众号】
GPT-4o里的“o”是Omni的缩写,也就是“全能”的意思,接受文本、音频和图像的任意组合作为输入,并生成文本、音频和图像输出。
它可以在短至232毫秒、平均320毫秒的时间内响应音频输入,与人类在对话中的反应速度一致。
【视频请移步公众号】
这还是一份给所有人的大礼,GPTo与ChatGPT Plus会员版所有的能力,包括视觉、联网、记忆、执行代码、GPT Store……
将对所有用户免费开放!
(新语音模式几周内先对Plus用户开放)
在直播现场,CTO Murati穆姐说:这是把GPT-4级别的模型开放出去,其实她还谦虚了。
在场外,研究员William Fedus揭秘,GPT-4o就是之前在大模型竞技场搞A/B测试的模型之一,im-also-a-good-gpt2-chatbot。
无论从网友上手体验还是竞技场排位来看,都是高于GPT-4-Turbo级别的模型了,ELO分数一骑绝尘。
而这样的超强模型也将提供API,价格打5折,速度提高一倍,单位时间调用次数足足三原来的5倍!
追直播的网友已经在设想可能的应用,可以替代盲人看世界了。以及确实感觉比之前的语音模式体验上强上不少。
鉴于之前不少人就已经和ChatGPT语音模式“谈恋爱”了,有大胆想法的朋友,可以把你们的想法发在评论区了。
总裁Brockman在线演示
知道OpenAI发布会为什么定在谷歌I/O前一天了——打脸,狠狠打脸。
谷歌Gemini发布会需要靠剪辑视频和切换提示词达成的实时对话效果,OpenAI现场全都直播演示了。
比如让ChatGPT在语言不通的两个人之间充当翻译机,听到英语就翻译成意大利语,听到意大利语就翻译成英语。
【视频请移步公众号】
发布会直播之外,总裁哥Brockman还发布了额外的5分钟详细演示。
而且是让两个ChatGPT互相对话,最后还唱起来了,戏剧感直接拉满。
这两个ChatGPT,一个是旧版APP,只知道对话,另一个则是新版网页,具备视觉等新能力。(我们不妨取Old和New的首字母,分别叫TA们小O和小N)
Brockman首先向小O介绍了大致情况,告诉她要和一个拥有视觉能力的AI对话,她表示很酷并欣然接受。
接着,Brockman让她稍作休息,并向小N也介绍情况,还顺带展示了小N的视觉能力。
只见打完招呼后,小N准确地说出了Brockman的衣着打扮和房间环境。而对于要和小O对话这件事,小N也感到很有趣。
【视频请移步公众号】
接下来就是小O和小N相互对白的时间了,TA们依然是从Brockman的衣着开始聊起,小O不断提出新的问题,小N都一一解答。
接着,他们又谈论了房间的风格、布置和光线,甚至小N还意识到了Brockman正站在上帝视角凝视着TA们。
【视频请移步公众号】
如果你看了这段视频就会发现,画面中出现了一个女人在Brockman身后做了些恶搞的手势。
这可不是乱入,是Brockman和女人串通好,专门给小N设计的一道“考题”。
就在小O和小N聊的正开心的时候,Brockman选择加入,直接问有没有看到什么不正常的地方。
结果是小N直接识破了Brockman的小伎俩,直接复述出了女人在他身后做小动作的场景,小O听了之后直接感叹原来在这里享受乐趣的不只有我们两个。
Brockman把这句话当成了夸赞,并对小O表示了感谢,还愉快地加入了TA们的对话。
之后是最后也是最精彩的部分,在Brockman的指挥下,小O和小N根据刚才聊天的内容,直接开启了对唱模式。
只过了简单几轮,衔接地就十分密切,而且旋律悠扬,音色也是和真人毫无二致。
【视频请移步公众号】
最后视频以Brockman唱出的一句Thank you结束,在视频外的推文中他还透露新的语音对话功能将在数周内向Plus用户开放。
端到端训练,一个神经网络搞定语音文本图像
正如奥特曼在发布会前所说,GPT-4o让人感觉像魔法一样,那么它是如何做到的呢?
非常抱歉,这次非但没有论文,连技术报告也不发了,只在官网Blog里有一段简短的说明。
在GPT-4o之前,ChatGPT语音模式由三个独立模型组成,语音转文本→GPT3.5/GPT-4→文本转语音。
我们也可以让旧版ChatGPT语音模式自己讲一下具体是怎么个流程。
这样一来,整个系统的延迟足足有2.8秒(GPT-3.5)和5.4秒(GPT-4),而且丢失了大量的信息,它无法直接感受音调、多个说话者或背景噪音,也无法输出笑声、唱歌声,或表达情感。
GPT-4o则是跨文本、视觉和音频端到端训练的新模型,这意味着所有输入和输出都由同一个神经网络处理。
在语音翻译任务上,强于OpenAI专门的语音模型Whisper-V3以及谷歌和Meta的语音模型。
在视觉理解上,也再次反超Gemini 1.0 Ultra与对家Claude Opus
虽然技术方面这次透露的消息就这么多了,不过也有学者评价。
一个成功的演示相当于1000篇论文。
One More Thing
除了OpenAI带来的精彩内容之外,也别忘了北京时间5月15日凌晨,谷歌将召开I/O大会。
到时量子位将继续第一时间带来最新消息。
另外根据网友推测,GPT-4o这么强,全都免费开放了,这是劝大家不续订ChatGPT Plus了的意思吗?
那肯定不是啊~
鉴于OpenAI春节期间在谷歌发布Gemini 1.5 Pro后半小时左右用Sora狙击了一把,明天OpenAI还有新活也说不定呢?
直播回放
https://www.youtube.com/watch?v=DQacCB9tDaw
参考链接:
[1]https://openai.com/index/hello-gpt-4o/
- OpenAI员工意外泄露下一代ChatGPT!网友:故意的还是不小心的?2024-12-11
- AI营销的风,还是吹到了A股2024-12-05
- 通信巨头入局视频生成,直接霸榜权威评测:人物跨越多场景依然一致2024-12-05
- Scaling Law不是唯一视角!清华刘知远团队提出大模型“密度定律”:模型能力密度100天翻番2024-12-09