北京时间5月14日凌晨，有人说OpenAI一夜改变了历史。

在我们的深夜、太平洋时间的上午 10 点，OpenAI 召开春季发布会，公布了最新的GPT-4o模型，o代表Omnimodel（全能模型）。20多分钟的演示直播，展示了远超当前所有语音助手的AI交互体验，与外媒此前透露的消息基本重合。

GPT-4o 不仅在文本处理方面表现出色，还在图像和音频处理能力上实现了显著增强，标志着人机交互进入了一个更为自然和便捷的新时代。

实时语音功能

本次展示聚焦于 ChatGPT 应用的实时对话语音功能，通过现场演示，展示了用户与 AI 之间流畅无阻的交互体验。

通过手机上的应用程序，激活了 GPT-4o 的音频功能，与 AI 进行了实时对话，并体验了其即时响应与情绪感知能力。

它的表现仿佛一个人正坐在旁边，和人类的对话节奏自然、融洽，完全听不出是个AI。

其实多模态语音功能，OpenAI在之前已经可以实现，具体形式如下：

1. 语音识别：音频转文本，通过调用Whisper模型；

2. 模型处理得到回复：通过调用文本模型;

3. 语音合成：文本转音频，调用tts模型。

但这个过程会存在延迟导致无法“沉浸式”体验与AI的对话。

而GPT-4o在响应速度方面，完美解决了延迟问题。GPT-4o的响应音频速度几乎与人类相似。没有使用GPT-4o的ChatGPT语音对话功能平均延迟为2.8秒 (GPT-3.5) 和5.4秒（GPT-4)。

另外，新语音功能的主要区别还包括：用户现在可以直接打断模型，无需等待模型完成发言即可插话，大大提高了对话的自然流畅度。

此外，新模型消除了延迟现象，反应迅速，不再有尴尬的等待时间。更重要的是，它能够感知用户的情绪状态，根据用户的语气和节奏调整交流方式，展现出更人性化的交互体验。

除了以上升级外，GPT-4o还在GPT-4的基础上做了很多升级包括：

• 极佳的多模态交互能力，包括语音、视频，以及屏幕共享。

• 可以实时识别和理解人类的表情，文字，以及数学公式。

• 交互语音感情丰富，可以变换语音语调、风格，还可以模仿，甚至“即兴”唱歌。

• 超低延时，且可以在对话中实时打断AI，增加信息或开启新话题。

• 所有ChatGPT用户均可免费使用（有使用上限）。

• 速度是GPT-4 Turbo的2倍，API成本低50%，速率限制高5倍。

视频互动解方程

另一个环节中，OpenAI另一位研发负责人手写了一个方程，并打开摄像头拍给ChatGPT，让它扮演「在线导师」的角色帮助自己解题，而且只能给提示，不能直接说答案。

接到任务的ChatGPT，甚至开心大叫：「Oops，我好兴奋啊！」

负责人在纸上写下这样一个方程：3x+1=4。然后问ChatGPT自己写的是什么方程，ChatGPT语调自然地回答出来了。

随后，在负责人的要求下，它按步骤一步一步说出了解题步骤。

最让人震惊的是，随着负责人在摄像头中解题，ChatGPT实时地就给出了鼓励和引导。

而且可怕的是，时间上没有丝毫延迟，这边负责人还在计算，ChatGPT就实时给出了评价和反馈。

整个过程完全和真人交流无异！​

这个发布会还有很多很精彩的交流过程，在这里就不再详述，有兴趣的伙伴可以自己去观看了解~

总的来说，新发布的GPT-4o不仅提供与GPT-4同等程度的模型能力，推理速度更快，还提供同时理解文本、图像、音频等内容的多模态能力。

可以说GPT-4o，最大特色是它可以将文本、音频、图像任何组合作为多模态输入和输出，并且更快更智能！

沃卡AI已及时更新支持最新的GPT-4o模型，体验方法如下：

方式一：

打开网页www.woka.chat，选择模型“gpt-4o-2024-05-13”即可；

方式二：

通过api调用形式体验，打开https://4.0.wokaai.com，注册生成令牌（key）调用即可！

沃卡API特点：

● 透明：纯官方计价，支持查询用量明细，余额实时掌握。

● 稳定：庞大账号池作为支撑并定期优化扩容；一个key即可稳定快速调用所有模型！

● 方便：所有用到 OpenAI API 的地方都可以无缝替代；

● 快速：持续优化中转服务的线路速度，保证使用体验；不需像调用官方一样特地申请多个账号扩充限制！

● 省心：没有包月，没有会员，没有限时，用多少买多少，永不过期。