Greg Brockman在X上甩出一條推文，字數(shù)不多，信息量夠炸。GPT-4o來了，文本、音頻、視頻，它全都要實時處理。換句話說，以前你得先錄音再上傳，現(xiàn)在它能邊聽邊想邊回話，延遲壓到和人類對話差不多。

這條推文3小時攢了20萬轉(zhuǎn)發(fā)。評論區(qū)最熱的不是技術(shù)討論，是用戶在問：「那我的ChatGPT Plus還值嗎？」免費用戶也能用GPT-4o，只是額度少點。Brockman沒提定價，但把演示視頻置頂了——一個AI同時聽人說話、看桌面、解數(shù)學(xué)題，語速快得像個 caffeine 過量的助教。

實時多模態(tài)是這次的核心賣點。之前的GPT-4看不了視頻，聽語音還得轉(zhuǎn)文字再走一道。現(xiàn)在端到端，音頻直接進，音頻直接出，中間不經(jīng)過文字中轉(zhuǎn)。Brockman的原話是：「reason across text, audio, and video in real time」，三個介質(zhì)，一個模型通吃。

業(yè)內(nèi)反應(yīng)兩極。一部分人覺得這是交互革命的起點，另一部分在算成本——實時推理的算力賬單誰來埋單。OpenAI沒公布API價格，但開發(fā)者已經(jīng)在蹲守。有獨立開發(fā)者在評論區(qū)留言：「只要延遲真能做到232毫秒，我的語音助手項目能活過來?！?/p>

演示里有個細節(jié)：AI能感知說話者的呼吸節(jié)奏，被打斷時會自然停頓。Brockman沒解釋這是怎么練出來的，但網(wǎng)友已經(jīng)把這個片段剪成meme到處傳。