每經(jīng)編輯 杜宇    每經(jīng)實(shí)習(xí)編輯 宋欣悅    

5月21日，著名影星斯嘉麗·約翰遜（Scarlett Johansson）指控OpenAI的ChatGPT，非法使用其聲音并要求下架，表示對(duì)OpenAI的行為感到“震驚”和“憤怒”。對(duì)此，OpenAI回應(yīng)稱，將暫停使用“Sky”模式的聲音，并詳細(xì)介紹了語音選擇的創(chuàng)作流程，強(qiáng)調(diào)所有配音均來自專業(yè)演員。

此前，OpenAI推出新旗艦?zāi)Ｐ虶PT-4o，該模型在保留了之前的五種語音模式的基礎(chǔ)上，大大提升了圖像和音頻理解方面的能力，能夠進(jìn)行實(shí)時(shí)語音通信，可以識(shí)別音調(diào)、說話的人和背景噪音，甚至可以輸出笑聲、歌唱聲和表達(dá)情感。

圖片來源：X 

斯嘉麗怒懟ChatGPT語音模式：山寨！ 

5月21日，斯嘉麗·約翰遜在社交平臺(tái)發(fā)長(zhǎng)文指控OpenAI非法使用她的聲音，要求下架“Sky”模式。她表示，這種行為不僅侵犯了她的權(quán)利，還引發(fā)了公眾對(duì)AI技術(shù)濫用的擔(dān)憂。 

斯嘉麗在其長(zhǎng)文中透露，早在2023年9月，OpenAI曾聯(lián)系她，希望她為ChatGPT的語音模式配音，但因個(gè)人原因她拒絕了這個(gè)邀請(qǐng)。就在產(chǎn)品發(fā)布會(huì)前兩天，OpenAI再次嘗試說服她配音，依舊遭到拒絕。然而，斯嘉麗在最終發(fā)布的產(chǎn)品中發(fā)現(xiàn)“Sky”模式的聲音與她本人非常相似。她表示，自己聽到演示后，感到震驚、憤怒和難以置信，無法相信OpenAI竟會(huì)使用一個(gè)如此像她的聲音，連她的親密朋友和新聞媒體都分辨不出Sky和她本人聲音的差別。

 圖片來源：X 

此外，斯嘉麗提到，OpenAI首席執(zhí)行官薩姆·阿爾特曼（Sam Altman）在GPT-4o發(fā)布時(shí)，在社交平臺(tái)上只發(fā)了一個(gè)詞“Her”，不禁讓人聯(lián)想到，斯嘉麗在2013年科幻AI電影《Her》中為女主AI配音的經(jīng)歷，是否在暗示這種相似是故意為之？

 圖片來源：X 

斯嘉麗強(qiáng)調(diào)，“在這個(gè)我們都在努力應(yīng)對(duì)深度偽造，保護(hù)自身形象、作品和身份的時(shí)代，我認(rèn)為這些問題需要得到絕對(duì)的明確。我期待通過透明度和立法來解決這些問題，以確保個(gè)人權(quán)利得到保護(hù)。” 

面對(duì)指控，OpenAI迅速做出反應(yīng)，宣布暫停使用“Sky”模式的聲音。他們?cè)诠倬W(wǎng)上詳細(xì)介紹了ChatGPT語音模式的創(chuàng)作流程，強(qiáng)調(diào)所有聲音都是從400多名專業(yè)配音演員中挑選出來的，并經(jīng)過嚴(yán)格的審核。 

OpenAI的官方聲明中提到：“我們收到了關(guān)于ChatGPT選取聲音方式的一些質(zhì)疑，尤其是針對(duì)“Sky”。目前，我們正積極采取措施，暫停“Sky”的使用，以解決這些問題。” 

GPT-4o：對(duì)話式AI的巨大飛躍 

此前，ChatGPT的語音模式包括Breeze、Cove、Ember、Juniper和Sky五種聲音。這些聲音是經(jīng)過精心挑選，以滿足用戶的多樣化需求。每種聲音都擁有獨(dú)特的情感和聲音特質(zhì)，為用戶提供了更加豐富的交互體驗(yàn)。 

而最新發(fā)布的GPT-4o版本不僅保留了之前的五種語音模式，還進(jìn)一步提升了語音交互的自然度和情感表達(dá)能力。GPT-4o在語音識(shí)別和生成方面進(jìn)行了多項(xiàng)改進(jìn)，使得AI助手更加智能和人性化。 

據(jù)介紹，新模型使ChatGPT能夠處理50種不同的語言，同時(shí)提高了速度和質(zhì)量。 

GPT-4o是邁向更自然人機(jī)交互的一步，它可以接受文本、音頻和圖像三者組合作為輸入，并生成文本、音頻和圖像的任意組合輸出，“與現(xiàn)有模型相比，GPT-4o在圖像和音頻理解方面尤其出色。” 

在GPT-4o之前，用戶使用語音模式與ChatGPT對(duì)話時(shí)，GPT-3.5的平均延遲為2.8秒，GPT-4為5.4秒，音頻在輸入時(shí)還會(huì)由于處理方式丟失大量信息，讓GPT-4無法直接觀察音調(diào)、說話的人和背景噪音，也無法輸出笑聲、歌唱聲和表達(dá)情感。 

與之相比，GPT-4o可以在232毫秒內(nèi)對(duì)音頻輸入做出反應(yīng)，與人類在對(duì)話中的反應(yīng)時(shí)間相近。在錄播視頻中，兩位高管做出了演示：機(jī)器人能夠從急促的喘氣聲中理解“緊張”的含義，并且指導(dǎo)他進(jìn)行深呼吸，還可以根據(jù)用戶要求變換語調(diào)。

圖片來源：截圖于Youtube 

圖像輸入方面，演示視頻顯示，OpenAI高管啟動(dòng)攝像頭要求實(shí)時(shí)完成一個(gè)一元方程題，ChatGPT輕松完成了任務(wù)；另外，高管還展示了ChatGPT桌面版對(duì)代碼和電腦桌面（一張氣溫圖表）進(jìn)行實(shí)時(shí)解讀的能力。

圖片來源：截圖于Youtube

OpenAI稱，“我們跨文本、視覺和音頻端到端地訓(xùn)練了一個(gè)新模型，這意味著所有輸入和輸出都由同一神經(jīng)網(wǎng)絡(luò)處理。由于GPT-4o是我們第一個(gè)結(jié)合所有這些模式的模型，因此我們?nèi)匀恢皇菧\嘗輒止地探索該模型的功能及其局限性。”