admin 管理员组

文章数量: 1184232

 

千呼万唤始出来，语音的 ChatGPT 时刻终于来了！当 ChatGPT 引爆世界后，语音的从业者就一直在期待、想象、实验、推进基于 LLM 的语音交互应用和技术，OpenAI 自己也推出了 Whisper 识别、合成的语音模型，但之前更多的是持续性的改进和小的创新，远未有当初 ChatGPT 那样颠覆性的体验和效果。今天，仍然是 OpenAI，AI 行业的风向标，他来了，带着 GPT-4o 来了！

GPT-4o 中有很多方面的改进，然而，最大最颠覆性的，还是在语音交互。

对语音交互来讲，GPT-4o 新在哪里？

现场的演示中，Mira 也提到了这个问题，亚裔小伙给出的答案是 1）支持打断 2）实时交互 3）懂你的情绪；在回复方面，则可以以更多的风格更多的情感合成声音。这里我们再进一步抽象和拓展一下几个特点。

极致端到端，交互体验非常酷炫，非常丝滑，并很好的支持打断。对比以前的交互系统，需要唤醒、识别、自然语言理解、查询、回复生成、TTS 多个模块，每个模块都是单独的模型、都是独立的团队在做，信息逐模块在损失，前面一个模块出错，后面基本就全错。例如识别模块是把语音转文字，交给下游处理，在转文字过程中，语音的其他信息全都丢掉了，例如说话人的音调、性别、情绪、背景音乐、噪声，有没有其他人说话等等。现在 GPT-4o 一个模型端到端全搞定，能极限的感知和理解，如现场演示中，GPT-4o 能理解和分辨到人大口的喘气、呼气和吸气。

极致低延迟，看现场的实时演示，模型反应极快。回看发布会的视频时，弹幕上清一色的好快！OpenAI 的技术博客中给出的数字是最低 232 ms，平均 320 ms 就能给出回复，已经非常接近真人交互时的响应速度。（这里引用了一篇文章，其

本文标签： 浅谈 语音 时刻 GPT ChatGpt

版权声明：本文标题：浅谈GPT-4o, 语音的 ChatGPT 时刻！ 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1763941438a3280536.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。