OpenAI发布最新旗舰级模型GPT-4o，可以实时推理音频、视觉和文本，主打概念为拟人化、超自然、超低时延的个人语音交互助理。根据OpenAI官方网站及X平台官方账号相关信息，GPT4o中的o代表Omni（全面），是迈向更自然的人机交互的一步——它接受文本、音频和图像的任意组合作为输入，并支持生成任意组合的文本、音频和图像输出。它可以在232毫秒内响应音频输入，平均320毫秒，与对话中人类反应时间相似。在英语和代码方面，它与GPT-4Turbo性能相当，在非英语语言文本上有显著改进，同时API速度更快且成本便宜50%。与现有模型相比，GPT-4o在视觉和音频理解方面表现特别出色。文本和图像输入将于今日在API和ChatGPT中推出，语音和视频输入将在未来几周内推出。
