GPT-4o尝鲜：发布会里没说的，我们先体验了

Google 应该向 OpenAI 的营销取取经。

今年 2 月，Gemini 1.5 官宣几小时后，被文生视频的 Sora 抢去风头。今天凌晨，OpenAI 的产品发布，挑在了 Google I/O 前一天。

Sora 打出模拟物理世界的概念，GPT-4o 颠覆了我们对语音和视频助手的想象。

不过，Sora 预计年内发布，GPT-4o 最劲爆的实时语音和视频功能还要等上几周。

每个熬夜的 AI 信徒都心潮澎湃却又体验不到，只能望穿秋水，边焦急地等待，边相信 OpenAI 隔着大洋喂来的饼。

GPT-4o 初体验：从惊艳到失落

GPT-4o 里的“o”指“omni（全面）”，它的特点在于可以接受文本、音频和图像的组合作为输入，更快的输出回应。

一倍速展示 GPT-4o 的生成速度

因此，即便现在 GPT-4o 的语音交互功能还没上线，我们只可以从聊天对话框中感受这个新模型，我们还是尽可能结合多种媒介来体验。

在发布会上，OpenAI 研究主管 Barret Zoph 在语音模式下实时让 ChatGPT 判断自己的“心情”。

那我们也来让 GPT-4o 来看图猜猜心情吧。

无论是 GPT-4 还是 GPT-4o，在读取图片后都没认出图中人是汽车节目“Top Gear”主持人兼“著名农民”Jeremy Clarkson 。

在识别情绪时，GPT-4 和 GPT-4o 都能看出 Jeremy 心情好，人放松。相比之下，GPT-4o 还结合了人物所处环境和着装，提供稍多的判断信息。

识别完图片，让我们来挑战一下视频。

我输入了一段 Jeremy 首逛二手农用品拍卖会的“惊奇”体验，让两个模型来分析一下内容。

GPT-4 在收到视频后，直接放弃。

GPT-4o 虽没法直接看视频，但很“机智”地从视频中提取了一张图像，然后推测内容。

被要求总结视频内容时，GPT-4o 决定每 5 秒提取一帧图片来获得更具有延续性的理解。最后的结论不算错，但笼统。

这个过程让我意识到，GPT-4o 在理解视频时都只是通过部分图像来“断章取义”，但视频中另一重要组成“声音”却未被利用起来。

于是我将视频转化为音频，测试两个模型对音频的理解，结果都失败了。

相比之下，GPT-4o 会提出一些建议（把工作甩回给我）。

测试完理解后，让我们来试试“创造”。

我让两个模型设计一款海报，以下是文案需求和视觉素材参考。

文字对 GPT 们来说显然是个难题。

GPT-4o 生成的图像视觉上好看，但对中文的理解还是很有限。

被要求更正后直接开始“创字”（请问是学习了徐冰的作品吗？）。

即便最后改成英文，还是可以出错。

GPT-4 生成时没有 GPT-4o 那么直接，而是先给我复述了一遍需求（如果有语音对话版我可能听到它开始啰嗦就要疯狂“stop”“stop”了），然后再开始生成海报。

可见，无论中文还是英文，还是比较吃力。

“写字”难，但两个模型在识别图像上的文字则都还可以。

GPT-4o 就更贴心一些，在我输入中文提示词的前提下，直接帮我把图片里的德语翻译成中文了。

总的来说，和 GPT-4 相比，GPT-4o 在面对视频和图像时的处理能力会更强一些，同时处理速度也会稍微快一点。

但不得不说，和发布会的惊艳演示相比，对话框里的体验还是让人相当不满足。

人手一个的贾维斯，还在不久的未来

以上，是目前 GPT-4o 可以体验到的功能，略微让人失望。

GPT-4o 的完整形态，是通过声音、视觉、文本和世界互动。

然而目前，几乎没有延迟、情绪价值拉满的语音模式，并没有开放使用。

OpenAI 表示，今天先发布 GPT-4o 的文本和图像功能，语音功能将在未来几周内，以 GPT-4o 的 alpha 版和大家见面，Plus 用户优先。

看来，每月 20 美元的信仰充值还是有好处的。

体验不够的我们，只能从其他渠道找到代偿。

除了 26 分钟的直播，OpenAI 的官方博客还给出了很多演示，让我们一窥“离人类只缺副身体”的  GPT-4o 的未来。

看到这些演示的第一印象，不是觉得强大或者神奇，而是很想和 AI 唠唠嗑。因为它很通人性，特别能提供情绪价值，如果你蒙上眼睛不看画面，可能以为是一个 e 人在说话。

如果你分享自己的爱宠，它会像你在小区遛狗时遇到的某个七大姑八大姨，激动地大夸特夸，让铲屎官也与有荣焉。

但谈到 AI 的人性，最具冲击力的例子，还得是 OpenAI 总裁 Greg Brockman 亲自演示的。

两台手机各有一个 GPT-4o，其中一个 GPT-4o 看不见，通过提问的方式，让另一个 GPT-4o 向它描述周围的人类和环境。

两个 AI 互相接得住话，看得见的讲完了，看不见的热情地回应，做出点评和追问。听到两个 AI 在讨论人类穿了什么衣服，确实是非常科幻的一幕。

同时，人类也能参与它们的谈话，追问周围的突发情况，让看得见的 AI 解答。视频结尾，AI 们甚至按照人类的要求，即兴创作了一首歌，你来我往交替唱着。

两只 AI 恰好一个男声一个女声，不抢话，不延迟，很自然地参与到多方谈话之中，又能察觉周遭环境的变化。隔着屏幕的观众，只觉得它们身上闪烁着人性的光芒。

如果说实时对话的能力让人心疼海螺 AI，GPT-4o 似乎也要在音乐领域出道，抢走 Suno 的饭碗。

除了即兴，GPT-4o 还能给睡不着的你唱摇篮曲，给没人陪伴的你唱生日快乐歌，甚至还能分饰两角，自己给自己唱和声。

翻译也是 GPT-4o 正在征服的领域，既可以用不同语言你说一句我说一句，再由 AI 交替传译，也可以直接让 AI 教你学习某门语言。

指哪打哪，这个用西班牙语怎么说，那个用意大利语怎么说，GPT-4o 像一台智能的、长了眼睛的点读机，出国旅游不必再八分手舞足蹈两分蹩脚口语了。

GPT-4o 覆盖了很多生活场景，同时也能够丝滑地用到职场中。

如果有重要面试，可以请 GPT-4o 帮忙看看，穿着得不得体，它不会言辞尖锐，但会用温柔的讽刺让你羞愧难当。

类似的视觉功能，可以用到无障碍领域，让视障人士也能“看到”周围的环境。这个年代的 AI，连导盲犬的工作也要减减负。

让 GPT-4o 加入视频会议，挑起你是猫党还是狗党的争议话题，它可以作为会议主持和秘书，cue 人发言，总结大家的立场和观点。

让家长们最爱的、让教培机构有危机感的，是让 GPT-4o 辅导孩子。

非营利教育机构可汗学院创始人 Sal Khan 和他儿子，被邀请来给 GPT-4o 站台，在 GPT-4o 逐步引导和鼓励的语言下，男生解决了一道数学题。

演示中共享屏幕的 AI 版本，我们目前无法体验到。辅导作业从来是件苦差事，可以大胆设想，AI 的耐心可能是人类无法企及的，上一代孩子学习靠网课，下一代孩子靠 AI。

美中不足的是，GPT-4o 的普通话不太行，一股外国人说中文的味道，懂中文的沉默了，不懂中文的被带偏了，翻译人才暂时还是个刚需。

和 AI 一对一，多人和 AI 开视频会议，让 AI 和 AI 互相聊天，似乎都已经实现了。不过，Demo 惊艳是事实，但视频和语音还有待未来用户们的亲自体验。

OpenAI 被批评成 CloseAI 之后，好像又回到了初衷——让最好的模型低价甚至免费造福更多人。

最初的 ChatGPT，已经展示了语言界面的潜力；而 GPT-4o 则在体验上有了质的飞跃，反应迅速、智能、有趣、自然且实用。

可能是语音模式本身就有很浓的人情味，也可能是 OpenAI 有意为之，在演示中刻意选择了很多生活化的场景，击穿了普通人们的心理防线。

GPT-4o 落地到每个普通人在生活中非常具体的需求：社交局三缺一没事，不懂面试技巧没事，出国旅游时不会讲外语也没事......

相比藏着掖着的 GPT-5，GPT-4o 可能在技术上不是那么颠覆，但作为一个拟人化的 AI 产品却很有价值。

它打败了空有其表的 AI 硬件，让普通人觉得有用、有意思，像电影里穿越出来的东西，情绪价值还很足，永远充沛有活力。

如果未来几周实测语音和视频，GPT-4o 真像演示这样，那么，语音和视频模式或成为 Altman 口中的最佳计算界面，一如自然语言的对话挑战搜索框。

语音和视频，关乎我们对 AI 的心理认知，让我们觉得 AI 更像人，也关乎我们的使用门槛，让我们心理负担更小地体验。

AI 是黑箱里的魔法，同时也是更好用的产品。把模型做得更强，把功能做得更日常然后进入更多人的生活，意义一样厚重。

本文来自微信公众号：APPSO（ID：appsolution），作者：等待GPT-4o的APPSO