GPT-4o版「Her」终于来了!讲笑话、学猫叫,AI女友能有多撩人?

发布日期: 2024年8月12日 来源:新智元
GPT-4o语音功能终于如期而至,科幻版Her走进现实!一些灰度测试到的网友们已经玩疯了,不过,OpenAI目前只给了4种预设语音。另外,GPT-4o新模型的输出token也暴涨16倍至64K。

奥特曼的承诺,终于兑现了。

赶在7月结束前,GPT-4o语音模式终于开启了灰度测试,一小部分ChatGPT Plus用户已经拿到了尝鲜入场券。

如果打开ChatGPT App之后看到了下面这个界面,恭喜你成为了首批幸运儿。

OpenAI称,高级语音模式提供了更加自然、实时对话,可以随意打断,甚至它还可以感知、回应你的情绪。

预计在今年秋季,所有ChatGPT Plus用户,都能用上这个功能。

另外,视频和屏幕共享更强大的也在稍后推出。也就是,开启摄像头,就能和ChatGPT「面对面」聊天了。

一些被灰度到的网友们纷纷开启测试,发现了GPT-4o语音模式的诸多用例。

这不,有人就让它充当「二外教练」,教自己练习口语。

ChatGPT在下面的教学中,帮助网友纠正了Croissant(羊角面包)、Baguette(法式长棍)的发音。

与此同时,GPT-4o的输出token暴涨了16倍,从最初4000个token增加到64000个token。

这是OpenAI最近在官方网页中,悄然推出的测试版新模型gpt-4o-64k-output-alpha。

更长的输出token,就意味着,一次性可以得到大约4个完整的长篇电影剧本。

Her已来

之所以现在才放出GPT-4o语音功能,是因为过去几个月里,OpenAI一直对其进行安全性、质量测试。

他们与100+红队人员,就45种语言对GPT-4o语音能力进行了测试。

为保护人们的隐私,团队训练模型只使用4种「预设声音」说话。

他们还创建了一个系统,去阻止在这4种声音之外,其他声音的输出。

此外,内容过滤也是必不可少,团队还采取措施阻止暴力、有关版权内容的生成。

OpenAI预告,计划在8月初,会发布一份关于GPT-4o能力、局限性、安全评估的详细报告。

全网实测

下面是网友分享的GPT-4o语音模式的一些案例。

ChatGPT可以表演节奏口技。

ChatGPT还可以以害羞、生气、更愤怒的语气讲出了关于啤酒的笑话。

还有网友专为ChatGPT讲了一个笑话「为什么科学家不相信Adam-Atom,因为它们构成了一切」。

ChatGPT不失尴尬地笑了起来。

更搞笑的是,ChatGPT学起猫叫还是有一套的。

有人经过一番测试下来,发现ChatGPT高级语音模式非常快,回答几乎没有延迟。

当被要求模仿一些声音时,它总是可以真实复刻出声音。而且不同口音,也可以模仿出来。

下面这个视频中,展示了AI充当足球比赛解说员的场景。

ChatGPT用中文讲故事,也很生动。

OpenAI虽然声称,视频和屏幕共享功能稍后推出,不过已经有网友先用上了。

网友有一只猫咪新宠,为它搭建了小窝,准备了吃食,但不知道怎么样,于是就问问ChatGPT。

在视频的对话中,网友向它展示了猫咪的屋子,ChatGPT看过后评价道,「一定非常舒适」,并关心猫咪如何。

网友表示,它目前为止还没有吃东西,看起来有点担心。ChatGPT安慰道,「这很正常,对于猫咪来说需要适应的时间」。

可以看出,整个问答过程非常流畅,给人一种与真人交流的感受。

网友还翻出了日语版界面游戏机,但是自己又不会日语。

这时,他一边向ChatGPT展示游戏界面,一边让其帮自己做翻译,最后胡一起通关游戏。

不得不说,有了视觉+语音模式的加持,ChatGPT强了很多。

GPT-4o Long Output悄悄上线,输出高达64K

另外,支持更大token输出的GPT-4o随之而来。

就在昨天,OpenAI正式宣布向提供测试者GPT-4o Alpha版本,每次请求支持最多输出64K token,相当于200页小说。

测试者可以从「gpt-4o-64k-output-alpha」,访问GPT-4o的长输出功能。

不过,新模型的价格再次刷新天花板。每百万输入token 6美元,每百万输出token 18美元。

虽说输出token是GPT-4o的16倍,但价格也涨了3美元。

这么一比,果然还是gpt-4o-mini价格香!

研究员Simon Willison表示,长输出主要用于数据转换用例。

比如,将文档从一种语言翻译成另一种语言,或从文档中提取结构化数据,几乎每个输入token都需要在输出的JSON中使用。

在此之前,他所知道的最长输出模型是GPT-4o mini,为16K token。

为什么推出更长输出的模型?

显然,更长的输出,可以让GPT-4o提供更全面、细致的响应,对于一些场景非常有帮助。

比如,编写代码、以及对写作的改进。

这也是基于用户的反馈——需要更长输出内容才能满足用例,OpenAI才做出的调整。

上下文和输出之间的区别

GPT-4o自推出以来,便提供了最大128K的上下文窗口。而对于GPT-4o Long Output,最大上下文窗口仍然是128K。

那么,OpenAI如何在保持整体上下文窗口为128K的情况下,将输出token数量从4,000增加到64,000呢?

这是因为,OpenAI在最初就限制了输出token数量,最大为4000个token。

这意味着,用户可以在一次交互中最多以124,000个token作为输入,也最多只能得到4000个输出token。

当然,你也可以输入更多token,那就意味着输出token更少了。

毕竟长下文长度(128K)就固定在那里,不管输入怎么变,输出token也不会过4000。

而现在,OpenAI将输出token长度限制在64,000 token,也就是说,你可以比以往多输出16倍的token。

毕竟,输出计算量更大,价格涨幅也更大。

同样,对于最新的GPT-4o mini,上下文也是128K,但最大输出已提升至16,000个token。

那么,用户可以提供最多112,000个token作为输入,最终得到最多16,000个token的输出。

总的来说,OpenAI在这里提供了一个方案,限制输入token,以获取LLM更长的响应,而不是直接扩大上下文长度。

而市面上其他模型,长的都已经超过百万了(Gemini),稍微短一些的也有200K(Claude);甚至有的模型输出都已经达到了200K,而OpenAI还在这儿抠抠搜搜。

这也就把难题扔给了开发者:想要输入多,那就得接受输出少;想要输出多,那就得输入少一些。

具体怎么衡量,看你们自己愿意牺牲哪一个了……

参考资料:

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/

https://venturebeat.com/ai/openai-launches-experimental-gpt-4o-long-output-model-with-16x-token-capacity/