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发布会上，需要靠剪辑视频和切换提示词才能达成的“伪实时”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。
01:24
或者在对话的同时通过摄像头感知周围环境。
01:11
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
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！
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？
