金磊 发自 凹非寺量子位 | 公众号 QbitAI
上线仅仅一天，GPT-4o的高级语音功能（Advanced Voice Mode）简直要被玩疯了。
无数网友脑洞大开的疯狂测试，GPT-4o这边呢，不仅各种奇葩任务全盘接收，表现好到更是让不少人连连惊呼“Blow my mind”。
例如有位网友要求GPT-4o用中文讲个故事，它的表现是这样的：
很多懂中文的网友看罢，纷纷表示不论是情绪还是整体的描述，GPT-4o的表现都比较OK。
但也并非完美，例如它的语速略显慢了些，以及把“气”读成了“kì”。
还有更像人的例子，仔细听：
你没听错，GPT-4o在读美国女诗人Emiliy Dickinson的作品时，她哭了！
（颇有种情到深处自然浓的感觉）
这效果可把网友们吓得不轻，表示“毛骨悚然”。
![]()
然而这还只是网友们疯狂测试的一隅，还有很多好玩的例子，我们继续往下看。
数1-100，贼快
如果让你用英文从1数到10，越快越好，你需要几秒？
有网友就给GPT-4o提了这个要求，来感受下AI的语速：
当网友要求它以更快的速度读1-10时，“AI字幕”识别功能都失效了![]()
。
而当GPT-4o被要求速读1-50时，我们还可以听到他还会像人一样有大口换气的动作。
接下来，这位网友提出了更高的要求——速读1-100：
虽然前期没有完全get网友的要求，但在他不断地引导之下，GPT-4o最终还是完成了速读1-100的任务。
除此之外，在搞怪方面，GPT-4o学猫叫也是一绝：
（![]()
我们一起学猫叫，一起喵喵喵~![]()
）
当然，以实时性和多语种出圈的语音功能，网友定然也不会放过测试这项任务。
主打一个随意打断、随意切换：
乌尔都语→希伯来语→挪威语→摩洛哥达利加语→阿姆哈拉语→匈牙利语→格鲁吉亚语→克林贡语。
还有更加实用的功能。
例如如果你在玩一款日本游戏，但却看不懂日文，那就直接让GPT-4o来帮忙就好了：
好家伙，GPT-4o直接摇身一变，成了实时翻译官了。
“自然的语音是关键”
除了上面这些具体的案例，沃顿商学院教授Ethan Mollick也谈了谈他的感受。
他将GPT-4o的高级语音功能总结为三点：
它和OpenAI当时演示的效果一样好。
它显然能够生成更多音频，但存在限制。
它令人毛骨悚然。大量无意识的线索让人感觉像是在与一个人交谈。
![]()
并且Ethan教授还认为，这种非常自然、拟人的语音，正是改变人类与AI交互性质的关键（虽然底层模型是我们用了很久的那个）。
但实际上，高级语音模式与ChatGPT现有的语音功能存在明显差异。
ChatGPT 之前的语音处理方式依赖于三个不同的模型：首先是将语音信号转化为文字的模型，其次是 GPT-4 用于解析和回应用户指令，最后是将 ChatGPT 的输出文本转换为语音的模型。
相比之下，GPT-4o 具备多模态能力，能够独立完成这些任务，无需其他模型的辅助，这大大减少了对话过程中的等待时间。
此外，OpenAI 还强调 GPT-4o 能够识别并响应用户语音中的情感变化，例如能够感知到悲伤、兴奋等情绪。
![]()
而随着越来越多网友晒出他们的测试结果，底下的吃瓜群众们是按耐不住了，纷纷表示希望OpenAI快点让更多人体验上。
那么你觉得用GPT-4o的高级语音功能，还能有什么更有意思的玩法？欢迎在评论区留言讨论~
参考链接：[1]https://x.com/CrisGiardina/status/1818469456269463810[2]https://x.com/ManuVision/status/1818441972220104813[3]https://x.com/emollick/status/1818790423319478384[4]https://x.com/EthanSutin/status/1818405750760522232[5]https://x.com/flowersslop/status/1818504414774046845[6]https://x.com/CrisGiardina[7]https://www.youtube.com/watch?v=cEhSo4ZPhpw
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
![]()
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
![]()
上线仅仅一天，GPT-4o的高级语音功能（Advanced Voice Mode）简直要被玩疯了。
无数网友脑洞大开的疯狂测试，GPT-4o这边呢，不仅各种奇葩任务全盘接收，表现好到更是让不少人连连惊呼“Blow my mind”。
例如有位网友要求GPT-4o用中文讲个故事，它的表现是这样的：
很多懂中文的网友看罢，纷纷表示不论是情绪还是整体的描述，GPT-4o的表现都比较OK。
但也并非完美，例如它的语速略显慢了些，以及把“气”读成了“kì”。
还有更像人的例子，仔细听：
你没听错，GPT-4o在读美国女诗人Emiliy Dickinson的作品时，她哭了！
（颇有种情到深处自然浓的感觉）
这效果可把网友们吓得不轻，表示“毛骨悚然”。
然而这还只是网友们疯狂测试的一隅，还有很多好玩的例子，我们继续往下看。
数1-100，贼快
如果让你用英文从1数到10，越快越好，你需要几秒？
有网友就给GPT-4o提了这个要求，来感受下AI的语速：
当网友要求它以更快的速度读1-10时，“AI字幕”识别功能都失效了
。而当GPT-4o被要求速读1-50时，我们还可以听到他还会像人一样有大口换气的动作。
接下来，这位网友提出了更高的要求——速读1-100：
虽然前期没有完全get网友的要求，但在他不断地引导之下，GPT-4o最终还是完成了速读1-100的任务。
除此之外，在搞怪方面，GPT-4o学猫叫也是一绝：
（
当然，以实时性和多语种出圈的语音功能，网友定然也不会放过测试这项任务。
主打一个随意打断、随意切换：
乌尔都语→希伯来语→挪威语→摩洛哥达利加语→阿姆哈拉语→匈牙利语→格鲁吉亚语→克林贡语。
还有更加实用的功能。
例如如果你在玩一款日本游戏，但却看不懂日文，那就直接让GPT-4o来帮忙就好了：
好家伙，GPT-4o直接摇身一变，成了实时翻译官了。
“自然的语音是关键”
除了上面这些具体的案例，沃顿商学院教授Ethan Mollick也谈了谈他的感受。
他将GPT-4o的高级语音功能总结为三点：
它和OpenAI当时演示的效果一样好。
它显然能够生成更多音频，但存在限制。
它令人毛骨悚然。大量无意识的线索让人感觉像是在与一个人交谈。
并且Ethan教授还认为，这种非常自然、拟人的语音，正是改变人类与AI交互性质的关键（虽然底层模型是我们用了很久的那个）。
但实际上，高级语音模式与ChatGPT现有的语音功能存在明显差异。
ChatGPT 之前的语音处理方式依赖于三个不同的模型：首先是将语音信号转化为文字的模型，其次是 GPT-4 用于解析和回应用户指令，最后是将 ChatGPT 的输出文本转换为语音的模型。
相比之下，GPT-4o 具备多模态能力，能够独立完成这些任务，无需其他模型的辅助，这大大减少了对话过程中的等待时间。
此外，OpenAI 还强调 GPT-4o 能够识别并响应用户语音中的情感变化，例如能够感知到悲伤、兴奋等情绪。
而随着越来越多网友晒出他们的测试结果，底下的吃瓜群众们是按耐不住了，纷纷表示希望OpenAI快点让更多人体验上。
那么你觉得用GPT-4o的高级语音功能，还能有什么更有意思的玩法？欢迎在评论区留言讨论~
参考链接：[1]https://x.com/CrisGiardina/status/1818469456269463810[2]https://x.com/ManuVision/status/1818441972220104813[3]https://x.com/emollick/status/1818790423319478384[4]https://x.com/EthanSutin/status/1818405750760522232[5]https://x.com/flowersslop/status/1818504414774046845[6]https://x.com/CrisGiardina[7]https://www.youtube.com/watch?v=cEhSo4ZPhpw
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~