ChatGPT 又上新了！听、看、说的综合能力干翻所有语音助手？
今日简讯 2024.5.14
- 在 OpenAI 有关 ChatGPT 的发布会前几个小时，谷歌发了 Gemini 预告片，展示惊艳语音视频交互能力。
- 在 CES 2024 中，山姆会员商店展示了一项利用 AI 门禁识别买家购物车内容从而进行“小票验证”的技术，号称可显著降低商店出口的排队现象。
- Anthropic 宣布在欧洲推出 Claude 聊天机器人，精通多种语言，月费 28 欧元。
- 特斯拉和 SpaceX CEO 埃隆・马斯克在周二抨击了由 Sam Altman 领导的 OpenAI，称他们最新的人工智能模型发布活动让他感到 “尴尬”。
OpenAI 于今日凌晨发布了其最新的旗舰人工智能模型 GPT-4o
详情看这里～～《OpenAI 发布AI 模型 GPT-4o，语音对话很丝滑，还免费》
| 特性 | 描述 |
|---|---|
| 多模态交互能力 | GPT-4o 能够处理文本、音频和图像的任意组合输入，并生成对应的任意组合输出，使交互更自然和灵活。 |
| 快速响应 | GPT-4o 在音频交互方面表现出色，能够在极短的时间内（短至232毫秒）响应用户的语音输入，平均响应时间接近人类日常对话的反应时间。 |
| 改进的视觉和音频理解 | GPT-4o 在视觉和音频理解方面有显著提升，特别是在非英语文本上的性能有了大幅提高。 |
| 成本效益 | GPT-4o 的 API 速度快，速率限制提高了5倍，而成本降低了50%，使其在商业应用上更具吸引力。 |
| 免费提供 | OpenAI 宣布 GPT-4o 将免费提供给所有用户，尽管免费用户在使用量上有一定限制，但这一决策仍然具有里程碑意义。 |
| 增强的语言支持 | GPT-4o 支持包括中文在内的20种语言进行音频等多模态交互，这扩大了其潜在用户群和应用场景。 |
| 端到端的新模型 | GPT-4o 通过端到端训练，使得所有输入和输出都由同一神经网络处理，提高了效率并减少了信息丢失。 |
| 情感和语气识别 | GPT-4o 能够识别说话人的语气和情绪，并根据场景或指令生成带有丰富人类情绪特征的音频回复，甚至可以唱歌。 |
| 图像处理能力 | GPT-4o 在图像处理方面也有显著提升，能够识别手写体、分析数据，并读懂画面中人物的面部表情。 |
| 未来计划 | OpenAI 计划未来实现更自然、实时的语音对话，并通过实时视频与 ChatGPT 进行对话，同时还将推出具有新功能的语音模式。 |
| macOS 版应用 | 发布了适用于 macOS 的新版 ChatGPT 桌面应用，简化了工作流程并提供了更直观的交互方式。 |
| 新的用户界面 | OpenAI 为 ChatGPT 引入了新的外观和感觉，使得界面更加友好和具有对话性。 |
腾讯宣布旗下的混元文生图大模型升级并对外开源
目前已经在 Hugging Face 及 Github 上发布，包含模型权重、推理代码、模型算法等完整模型，可供企业与个人开发者免费商用。
项目地址：
https://github.com/Tencent/HunyuanDiT