GPT-4o 发布：原生全模态与实时语音交互

GPT-4o 的关键变化是'原生多模态'：不再由多个模型拼接，而是单一神经网络端到端处理文本、视觉与音频。这使其语音模式的平均响应延迟达到 320 毫秒，与人类对话中的反应时间相当，并能感知语气、多说话人与环境音。

GPT-4o 免费向所有用户开放，API 价格降为 GPT-4 Turbo 的一半、速度翻倍，并支持 50+ 语言的实时语音视觉交互。它确立了'全模态实时交互'作为下一代模型的竞争焦点，也直接推动了后续语音助手产品的全面换代。