GPT-4o版「Her」終于來了！講笑話、學貓叫，AI女友能有多撩人？
奧特曼的承諾，終于兌現了。
趕在7月結束前，GPT-4o語音模式終于開啟了灰度測試，一小部分ChatGPT Plus用戶已經拿到了嘗鮮入場券。
圖片
如果打開ChatGPT App之后看到了下面這個界面，恭喜你成為了首批幸運兒。
圖片
OpenAI稱，高級語音模式提供了更加自然、實時對話，可以隨意打斷，甚至它還可以感知、回應你的情緒。
預計在今年秋季，所有ChatGPT Plus用戶，都能用上這個功能。
圖片
另外，視頻和屏幕共享更強大的也在稍后推出。也就是，開啟攝像頭，就能和ChatGPT「面對面」聊天了。
圖片
一些被灰度到的網友們紛紛開啟測試，發現了GPT-4o語音模式的諸多用例。
圖片
這不，有人就讓它充當「二外教練」，教自己練習口語。
圖片
ChatGPT在下面的教學中，幫助網友糾正了Croissant（羊角面包）、Baguette（法式長棍）的發音。
與此同時，GPT-4o的輸出token暴漲了16倍，從最初4000個token增加到64000個token。
這是OpenAI最近在官方網頁中，悄然推出的測試版新模型gpt-4o-64k-output-alpha。
圖片
更長的輸出token，就意味著，一次性可以得到大約4個完整的長篇電影劇本。
圖片
Her已來
之所以現在才放出GPT-4o語音功能，是因為過去幾個月里，OpenAI一直對其進行安全性、質量測試。
他們與100+紅隊人員，就45種語言對GPT-4o語音能力進行了測試。
圖片
為保護人們的隱私，團隊訓練模型只使用4種「預設聲音」說話。
他們還創建了一個系統，去阻止在這4種聲音之外，其他聲音的輸出。
此外，內容過濾也是必不可少，團隊還采取措施阻止暴力、有關版權內容的生成。
OpenAI預告，計劃在8月初，會發布一份關于GPT-4o能力、局限性、安全評估的詳細報告。
圖片
全網實測
下面是網友分享的GPT-4o語音模式的一些案例。
ChatGPT可以表演節奏口技。
圖片
ChatGPT還可以以害羞、生氣、更憤怒的語氣講出了關于啤酒的笑話。
還有網友專為ChatGPT講了一個笑話「為什么科學家不相信Adam-Atom，因為它們構成了一切」。
ChatGPT不失尷尬地笑了起來。
更搞笑的是，ChatGPT學起貓叫還是有一套的。
有人經過一番測試下來，發現ChatGPT高級語音模式非常快，回答幾乎沒有延遲。
當被要求模仿一些聲音時，它總是可以真實復刻出聲音。而且不同口音，也可以模仿出來。
圖片
下面這個視頻中，展示了AI充當足球比賽解說員的場景。
ChatGPT用中文講故事，也很生動。
OpenAI雖然聲稱，視頻和屏幕共享功能稍后推出，不過已經有網友先用上了。
圖片
網友有一只貓咪新寵，為它搭建了小窩，準備了吃食，但不知道怎么樣，于是就問問ChatGPT。
在視頻的對話中，網友向它展示了貓咪的屋子，ChatGPT看過后評價道，「一定非常舒適」，并關心貓咪如何。
網友表示，它目前為止還沒有吃東西，看起來有點擔心。ChatGPT安慰道，「這很正常，對于貓咪來說需要適應的時間」。
可以看出，整個問答過程非常流暢，給人一種與真人交流的感受。
網友還翻出了日語版界面游戲機，但是自己又不會日語。
這時，他一邊向ChatGPT展示游戲界面，一邊讓其幫自己做翻譯，最后胡一起通關游戲。
不得不說，有了視覺+語音模式的加持，ChatGPT強了很多。
GPT-4o Long Output悄悄上線，輸出高達64K
另外，支持更大token輸出的GPT-4o隨之而來。
就在昨天，OpenAI正式宣布向提供測試者GPT-4o Alpha版本，每次請求支持最多輸出64K token，相當于200頁小說。
測試者可以從「gpt-4o-64k-output-alpha」，訪問GPT-4o的長輸出功能。
不過，新模型的價格再次刷新天花板。每百萬輸入token 6美元，每百萬輸出token 18美元。
雖說輸出token是GPT-4o的16倍，但價格也漲了3美元。
圖片
這么一比，果然還是gpt-4o-mini價格香！
圖片
研究員Simon Willison表示，長輸出主要用于數據轉換用例。
比如，將文檔從一種語言翻譯成另一種語言，或從文檔中提取結構化數據，幾乎每個輸入token都需要在輸出的JSON中使用。
在此之前，他所知道的最長輸出模型是GPT-4o mini，為16K token。
圖片
為什么推出更長輸出的模型？
顯然，更長的輸出，可以讓GPT-4o提供更全面、細致的響應，對于一些場景非常有幫助。
比如，編寫代碼、以及對寫作的改進。
這也是基于用戶的反饋——需要更長輸出內容才能滿足用例，OpenAI才做出的調整。
上下文和輸出之間的區別
GPT-4o自推出以來，便提供了最大128K的上下文窗口。而對于GPT-4o Long Output，最大上下文窗口仍然是128K。
那么，OpenAI如何在保持整體上下文窗口為128K的情況下，將輸出token數量從4,000增加到64,000呢？
這是因為，OpenAI在最初就限制了輸出token數量，最大為4000個token。
這意味著，用戶可以在一次交互中最多以124,000個token作為輸入，也最多只能得到4000個輸出token。
當然，你也可以輸入更多token，那就意味著輸出token更少了。
畢竟長下文長度（128K）就固定在那里，不管輸入怎么變，輸出token也不會過4000。
而現在，OpenAI將輸出token長度限制在64,000 token，也就是說，你可以比以往多輸出16倍的token。
畢竟，輸出計算量更大，價格漲幅也更大。
同樣，對于最新的GPT-4o mini，上下文也是128K，但最大輸出已提升至16,000個token。
那么，用戶可以提供最多112,000個token作為輸入，最終得到最多16,000個token的輸出。
總的來說，OpenAI在這里提供了一個方案，限制輸入token，以獲取LLM更長的響應，而不是直接擴大上下文長度。
而市面上其他模型，長的都已經超過百萬了（Gemini），稍微短一些的也有200K（Claude）；甚至有的模型輸出都已經達到了200K，而OpenAI還在這兒摳摳搜搜。
這也就把難題扔給了開發者：想要輸入多，那就得接受輸出少；想要輸出多，那就得輸入少一些。
具體怎么衡量，看你們自己愿意犧牲哪一個了......
參考資料：
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/
