OpenAI 在 2024 年 5 月 13 日的春季发布会上发布 GPT-4o 模型,支持实时语音对话、图片和视频理解,免费用户可用。这是 OpenAI 首次把旗舰模型免费开放,API 价格比 GPT-4 Turbo 降了一半。
事件详情
GPT-4o 的 "o" 代表 omni(全能)。它在单一模型里处理文本、音频和图像三种输入,不再像之前那样把语音对话拆成三段(语音转文字、模型处理文字、文字转语音)。端到端处理的好处是保留了语气、情绪和背景音,响应也更快——平均延迟 320 毫秒,最低 232 毫秒,接近人类对话的反应速度(人类对话平均约 200-300 毫秒)。
发布会上 OpenAI 演示了几段实时对话。模型能听出呼吸声和笑声,在对话里即兴唱歌,还能通过摄像头看用户画的方程图,实时讲解解题步骤。这些演示一度引发争议,因为部分画面被指经过剪辑,但实际能力基本属实。
免费用户可以使用 GPT-4o,但有用量限制,达到上限后会切换回更小的模型。Plus 用户(20 美元/月)上限更高,Team 和 Pro 用户依次递增。API 端,GPT-4o 的输入价格 5 美元/百万 token,输出 15 美元/百万 token,比 GPT-4 Turbo(输入 10 美元、输出 30 美元)便宜一半,速度也快了一倍。
关键信息
| 项目 | 参数 |
|---|---|
| 模型名 | GPT-4o("o" = omni) |
| 发布日期 | 2024 年 5 月 13 日 |
| 支持输入 | 文本、音频、图像、视频 |
| 语音响应延迟 | 平均 320ms,最低 232ms |
| 免费可用 | 是(有用量限制) |
| API 输入价格 | 5 美元/百万 token |
| API 输出价格 | 15 美元/百万 token |
| 相比 GPT-4 Turbo | 降价 50%,速度提升 2 倍 |
我们的观察
我们当时第一时间用上了 GPT-4o 的语音模式。它最大的变化不是"能对话",而是"能听见情绪"。你叹气它知道你不耐烦,你笑它也跟着笑。这种交互密度是之前语音助手做不到的,但延迟实测比官方数据高,网络差的时候会卡顿。
免费开放这件事的意义被低估了。之前免费用户只能用 GPT-3.5,和 Plus 差一档,现在免费用户和付费用户用同一个模型,差别只在用量。这个动作直接把竞品的免费档位卡死了——Google 后来跟进把 Gemini 免费开放,Anthropic 也放宽了 Claude 的免费额度。
相关工具
- ChatGPT — OpenAI 的对话式 AI 助手,GPT-4o 的主要载体