7 月 30 日，OpenAI 推出了 ChatGPT 高級(jí)語(yǔ)音模式，用戶首次能夠體驗(yàn) GPT-4o 超逼真語(yǔ)音交互。目前，Alpha 版本面向于小部分 ChatGPT Plus 用戶，秋季之后將逐步推廣至所有 Plus 用戶。
OpenAI 表示，春季更新期間演示的視頻和屏幕共享功能并不包括在 Alpha 版本在內(nèi)，而是在后面推出。 ChatGPT 高級(jí)語(yǔ)音模式不同于此前的語(yǔ)音模式，原有的音頻解決方案使用了三個(gè)獨(dú)立的模型：一個(gè)用于將用戶的語(yǔ)音轉(zhuǎn)換為文本，然后由 GPT-4 處理 Prompt，然后由第三個(gè)模型將 ChatGPT 生成的文本轉(zhuǎn)化為語(yǔ)音。 GPT-4o 是一個(gè)多模態(tài)模型，能夠在沒(méi)有其他模型輔助的情況下處理這些任務(wù)，因?yàn)樵隗w驗(yàn)上將顯著降低對(duì)話的延遲。 OpenAI 還透露，GPT-4o 可以感知用戶聲音中的情緒語(yǔ)調(diào)，包括悲傷、興奮或者唱歌；目前，Alpha 組的用戶將在 ChatGPT 中收到提醒，并將收到一封郵件介紹如何使用。
據(jù)悉，高級(jí)語(yǔ)音模式種的預(yù)設(shè)聲音將僅限 Juniper、Breeze、Cove 以及 Ember，這些都是與付費(fèi)配音演員合作制作的，而 5 月份演示的 Sky 聲音將不再可用。 OpenAI 發(fā)言人 Lindsay McCallum 表示，ChatGPT 目前還無(wú)法模仿其他人的聲音，無(wú)論是個(gè)人還是公眾人物，并且會(huì)屏蔽與這四種預(yù)設(shè)聲音不同的輸出。 此外，OpenAI 引入了新的過(guò)濾方式來(lái)避免模型生成受版權(quán)保護(hù)的音頻，從而造成法律糾紛。 自發(fā)布 Demo 以來(lái)，OpenAI 已經(jīng)與 100 多名使用 45 種不同語(yǔ)言的外部紅隊(duì)成員一起測(cè)試了 GPT-4o 語(yǔ)音功能，相關(guān)的安全措施報(bào)告將在 8 月初發(fā)布。 本文由人人都是產(chǎn)品經(jīng)理作者【江天 Tim】，微信公眾號(hào)：【有新Newin】，原創(chuàng)/授權(quán) 發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。 題圖來(lái)自Unsplash，基于 CC0 協(xié)議。 |
