赶在 7 月结束前，GPT-4o 语音功能终于开启。现开启灰度测试，一小部分 ChatGPT Plus 用户已经可以试用。

如果打开 ChatGPT App 之后看到了下面这个界面，恭喜你成为了首批幸运儿。

OpenAI 称，高级语音模式提供了更加自然、实时对话，可以随意打断，甚至它还可以感知、回应你的情绪。预计在今年秋季，所有 ChatGPT Plus 用户，都能用上。另外，视频和屏幕共享等更强大的功能也在稍后推出。也就是，开启摄像头，就能和 ChatGPT「面对面」聊天了。

与此同时，GPT-4o 的输出 token 暴涨16 倍，从最初 4000 个 token 增加到 64000 个 token。每次请求最多输出 200 页小说，大约 4 个完整的长篇电影剧本。

01 

Her 已来

之所以现在才放出 GPT-4o 语音功能，是因为过去几个月里，OpenAI 一直对其进行安全性、质量测试。

他们与 100+红队人员，就 45 种语言对 GPT-4o 语音能力进行了测试。

为保护人们的隐私，团队训练模型只使用 4 种「预设声音」说话。

他们还创建了一个系统，去阻止在这 4 种声音之外，其他声音的输出。

此外，内容过滤也是必不可少，团队还采取措施阻止暴力、有关版权内容的生成。

OpenAI 预告，计划在 8 月初，会发布一份关于 GPT-4o 能力、局限性、安全评估的详细报告。

全网实测

下面是网友分享的 GPT-4o 语音模式的一些案例。

有人就让它充当「二外教练」，教自己练习口语。

ChatGPT 在下面的教学中，帮助网友纠正了 Croissant（羊角面包）、Baguette（法式长棍）的发音。

ChatGPT 可以表演节奏口技。

ChatGPT 还可以以害羞、生气、更愤怒的语气讲出了关于啤酒的笑话。

还有网友专为 ChatGPT 讲了一个笑话「为什么科学家不相信 Adam-Atom，因为它们构成了一切」。

ChatGPT 不失尴尬地笑了起来。

更搞笑的是，ChatGPT 学起猫叫还是有一套的。

有人经过一番测试下来，发现 ChatGPT 高级语音模式非常快，回答几乎没有延迟。

当被要求模仿一些声音时，它总是可以真实复刻出声音。而且不同口音，也可以模仿出来。

下面这个视频中，展示了 AI 充当足球比赛解说员的场景。

ChatGPT 用中文讲故事，也很生动。

OpenAI 虽然声称，视频和屏幕共享功能稍后推出，不过已经有网友先用上了。

网友有一只猫咪新宠，为它搭建了小窝，准备了吃食，但不知道怎么样，于是就问问 ChatGPT。

在视频的对话中，网友向它展示了猫咪的屋子，ChatGPT 看过后评价道，「一定非常舒适」，并关心猫咪如何。

网友表示，它目前为止还没有吃东西，看起来有点担心。ChatGPT 安慰道，「这很正常，对于猫咪来说需要适应的时间」。

可以看出，整个问答过程非常流畅，给人一种与真人交流的感受。

网友还翻出了日语版界面游戏机，但是自己又不会日语。

这时，他一边向 ChatGPT 展示游戏界面，一边让其帮自己做翻译，最后胡一起通关游戏。

不得不说，有了视觉+语音模式的加持，ChatGPT 强了很多。

02

GPT-4o Long Output 悄悄上线，

输出高达 64K

另外，支持更大 token 输出的 GPT-4o 随之而来。

OpenAI 最近在官方网页中，悄然推出测试版新模型 gpt-4o-64k-output-alpha。

测试者可以从「gpt-4o-64k-output-alpha」，访问 GPT-4o 的长输出功能。

每次请求支持最多输出 64K token，相当于 200 页小说，一次性可以得到大约 4 个完整的长篇电影剧本。

不过，新模型的价格再次刷新天花板。每百万输入 token 6 美元，每百万输出 token 18 美元。

虽说输出 token 是 GPT-4o 的 16 倍，但价格也涨了 3 美元。

这么一比，果然还是 gpt-4o-mini 价格香！

研究员 Simon Willison 表示，长输出主要用于数据转换用例。

比如，将文档从一种语言翻译成另一种语言，或从文档中提取结构化数据，几乎每个输入 token 都需要在输出的 JSON 中使用。

在此之前，他所知道的最长输出模型是 GPT-4o mini，为 16K token。

为什么推出更长输出的模型？

显然，更长的输出，可以让 GPT-4o 提供更全面、细致的响应，对于一些场景非常有帮助。

比如，编写代码、以及对写作的改进。

这也是基于用户的反馈——需要更长输出内容才能满足用例，OpenAI 才做出的调整。

上下文和输出之间的区别

GPT-4o 自推出以来，便提供了最大 128K 的上下文窗口。而对于 GPT-4o Long Output，最大上下文窗口仍然是 128K。

那么，OpenAI 如何在保持整体上下文窗口为 128K 的情况下，将输出 token 数量从 4,000 增加到 64,000 呢？

这是因为，OpenAI 在最初就限制了输出 token 数量，最大为 4000 个 token。

这意味着，用户可以在一次交互中最多以 124,000 个 token 作为输入，也最多只能得到 4000 个输出 token。

当然，你也可以输入更多 token，那就意味着输出 token 更少了。

毕竟长下文长度（128K）就固定在那里，不管输入怎么变，输出 token 也不会过 4000。

而现在，OpenAI 将输出 token 长度限制在 64,000 token，也就是说，你可以比以往多输出 16 倍的 token。

毕竟，输出计算量更大，价格涨幅也更大。

同样，对于最新的 GPT-4o mini，上下文也是 128K，但最大输出已提升至 16,000 个 token。

那么，用户可以提供最多 112,000 个 token 作为输入，最终得到最多 16,000 个 token 的输出。

总的来说，OpenAI 在这里提供了一个方案，限制输入 token，以获取 LLM 更长的响应，而不是直接扩大上下文长度。

而市面上其他模型，长的都已经超过百万了（Gemini），稍微短一些的也有 200K（Claude）；甚至有的模型输出都已经达到了 200K，而 OpenAI 还在这儿抠抠搜搜。

这也就把难题扔给了开发者：想要输入多，那就得接受输出少；想要输出多，那就得输入少一些。

具体怎么衡量，看你们自己愿意牺牲哪一个了......

参考资料：

https://x.com/OpenAI/status/1818353580279316863

https://x.com/tsarnick/status/1818402307115241608

https://x.com/kimmonismus/status/1818409637030293641

https://www.reddit.com/r/singularity/comments/1eg51gz/chatgpt_advanced_audio_helping_me_pronouce/

https://venturebeat.com/ai/openai-launches-experimental-gpt-4o-long-output-model-with-16x-token-capacity/

文章来自于微信公众号“新智元” 作者 Founder Park

00:38