Sam Altman今天放了个消息：下周开始，ChatGPT Plus用户就能用上GPT-4o的语音模式了，而且是无缝聊天那种。这可不是普通的语音对话——Alpha版本直接对标“实时交流”，延迟压到几乎感觉不到。

其实早在今年5月，OpenAI首席技术官穆里・穆拉蒂就透露过一些关键信息：

在GPT-4o中，我们训练了跨文本、视觉和音频的端到端全新统一模型，这意味着所有输入和输出都由同一个神经网络处理。

由于GPT-4o是我们第一个结合所有这些模式的模型，因此我们在探索该模型的功能及其局限性方面仍处于起步阶段。

按照原计划，6月底就该有小范围用户能尝鲜了，但官方后来推迟了上线时间——理由也很实在：需要更多时间打磨，尤其是提升模型检测和拒绝某些内容的能力。说白了，就是既要流畅，又要安全，不能乱说话。

从已知数据来看，GPT-3.5的语音反馈延迟平均2.8秒，GPT-4更是到了5.4秒。这个延迟在真实对话场景里其实挺尴尬的——你问完问题，等上好几秒才有回应，体验上跟“等电话接通”差不多。而GPT-4o要做的就是把这个时间压缩到几乎无缝，让对话真正像和人聊天一样自然。这才是这次升级的核心看点。