معرفی در یک رویداد زنده#
دوشنبه ۱۳ مه ۲۰۲۴ (۲۴ اردیبهشت ۱۴۰۳) شرکت OpenAI در رویدادی زنده از دفتر سان‌فرانسیسکو مدل GPT-4o را معرفی کرد. حرف «o» از واژهٔ omni به معنای «همهجانبه» گرفته شده و به توانایی کار با متن، گفتار و ویدیو اشاره دارد. میرا موراتی، مدیر فنی وقت OpenAI، گفت این مدل هوشی در سطح GPT-4 دارد و در حوزه‌های چندرسانه‌ای بهتر عمل می‌کند. OpenAI هم اعلام کرد عرضهٔ قابلیت‌ها «مرحله‌ای» و طی هفته‌های بعد در محصولات توسعه‌دهندگان و مصرف‌کنندگان انجام می‌شود.
صدا؛ جذاب‌ترین بخش#
پیش از GPT-4o، حالت صوتی ChatGPT پاسخ را با یک مدل تبدیل متن به گفتار می‌خواند. با مدل جدید، کاربر می‌تواند وسط جمله‌های ChatGPT حرف بزند و OpenAI می‌گوید پاسخ‌ها بلادرنگ‌اند. مدل می‌تواند ظرافت‌های صدای کاربر را دریافت کند و گفتار را در سبک‌های احساسی گوناگون تولید کند.
باید دقیق بود: تجربهٔ صوتی بهبودیافته همان روز برای همه فعال نشد. قرار بود طی حدود یک ماه به‌صورت آلفا برای کاربران Plus برسد. در API نیز قابلیت صوتی ابتدا فقط در اختیار «گروه کوچکی از شرکای مورد اعتماد» قرار می‌گرفت، چون OpenAI نگران سوءاستفاده بود.
بینایی و چندزبانگی#
ChatGPT با GPT-4o می‌تواند دربارهٔ یک عکس یا صفحهٔ دسکتاپ پاسخ بدهد. یکی از مثال‌ها ترجمهٔ منوی نوشته‌شده به زبانی دیگر بود. OpenAI همچنین از بهبود عملکرد در حدود ۵۰ زبان خبر داد. برای کاربرانی که غیر از انگلیسی کار می‌کنند، این بخش از خبر به همان اندازهٔ صدا مهم است.
