重磅！OpenAI 在 ChatGPT 内推出语言和图像功能

语音和图像为用户在生活中使用 ChatGPT 提供了更多方式。旅行时，拍下地标性建筑的照片，然后就它的有趣之处进行实时对话。当您在家时，拍下冰箱和储藏室的照片，找出晚餐的菜谱（并提出后续问题，一步步了解菜谱）。晚饭后，帮孩子做一道数学题，拍下照片，圈出问题集，让孩子与您分享提示。

OpenAI 将在未来两周内向 Plus 和企业用户推出 ChatGPT 中的语音和图像功能。语音功能将在 iOS 和 Android 上推出（在设置中选择加入），图像功能将在所有平台上推出。

Rectangle Speak with ChatGPT and have it talk back

现在，用户可以使用语音与您的助手进行来回对话。在旅途中与它对话，为家人要求一个睡前故事，或者解决餐桌上的争论。

与 ChatGPT 对话，让它回话（Rectangle Speak with ChatGPT and have it talk back）

使用语音与助手进行多轮对话。

要开始使用语音，请前往手机应用上的设置 → 新功能，然后选择语音对话。然后，点击主屏幕右上角的耳机按钮，从五种不同的语音中选择自己喜欢的语音。

新的语音功能由一个新的文本到语音模型提供支持，能够仅通过文本和几秒钟的语音样本生成类似人类的音频。OpenAI 与专业配音演员合作创作了每种语音。OpenAI 还使用 Whisper（OpenAI 的开源语音识别系统）将用户说的话转录成文本。

Listen to voice samples

选择文本

下面是示例：

Once in a tranquil woodland, there was a fluffy mama cat named Lila. One sunny day, she cuddled with her playful kitten, Milo, under the shade of an old oak tree.

“Milo,” Lila began, her voice soft and gentle, “you’re going to have a new playmate soon.”

Milo’s ears perked up, curious. “A new playmate?”

Lila purred, “Yes, a baby sister.”

Milo’s eyes widened with excitement. “A sister? Will she chase tails like I do?”

Lila chuckled. “Oh, she’ll have her own quirks. You’ll teach her, won’t you?”

Milo nodded eagerly, already dreaming of the adventures they’d share.

大意 (从前，在一片宁静的树林里，有一只毛茸茸的母猫，名叫莱拉。在一个阳光明媚的日子里，她和顽皮的小猫米洛依偎在一棵老橡树的树荫下。

“米洛，” 莱拉开始说话了，声音轻柔而温和，”你很快就会有一个新玩伴了。”

米洛的耳朵竖了起来，很好奇。”新玩伴？”

莱拉咕噜着说：”是的，一个小妹妹。”

米洛兴奋地睁大眼睛。”妹妹？她会像我一样追尾巴吗？”

莱拉笑着说。”哦，她会有自己的怪癖。你会教她的，对吗？”

米洛急切地点点头，已经开始憧憬他们将共同经历的冒险了。

Select voice

Juniper

Chat about images

用户现在可以向 ChatGPT 展示一张或多张图片。可以解决烤架无法启动的问题，查看冰箱里的食物以计划用餐，或者分析复杂的图表以获取与工作相关的数据。要聚焦于图像的特定部分，您可以使用 OpenAI 移动应用程序中的绘图工具。

图像聊天 (Chat about images)

向 ChatGPT 展示一张或多张图片。

要开始聊天，请点击照片按钮捕捉或选择图片。如果您使用的是 iOS 或 Android 系统，请先轻点加号按钮。您还可以讨论多张图片，或使用 OpenAI 的绘图工具来引导您的助手。

图像理解由多模态 GPT-3.5 和 GPT-4 支持。这些模型将语言推理能力应用于各种图像，如照片、截图以及包含文字和图像的文档。

OpenAI 正在逐步部署图像和语音功能

OpenAI 的目标是构建安全、有益的 AGI。OpenAI 相信，逐步提供工具，让 OpenAi 能够随着时间的推移不断改进和完善风险缓解措施，同时也让大家为未来更强大的系统做好准备。在涉及语音和视觉的高级模型中，这一策略变得更加重要。

语音

新的语音技术 — 只需几秒钟的真实语音就能制作出逼真的合成语音 — 为许多创造性和无障碍应用打开了大门。然而，这些功能也带来了新的风险，例如恶意行为者有可能冒充公众人物或实施欺诈。

这就是为什么 OpenAi 要将这项技术用于语音聊天这一特殊应用案例。语音聊天是由 OpenAI 直接合作的配音演员创建的。OpenAi 还与其他公司开展了类似的合作。例如，Spotify 正在将这项技术的力量用于其语音翻译功能的试点，该功能可以帮助播客将播客翻译成其他语言，用播客自己的声音来讲述故事，从而扩大播客的影响力。

图像输入

基于视觉的模型也带来了新的挑战，从对人的幻觉到在高风险领域依赖模型对图像的解释，不一而足。在进行更广泛的部署之前，OpenA 与极端主义和科学能力等领域的红队测试专家人以及不同的测试者一起对模型进行了测试。OpenAI 的研究使 OpenAi 能够在一些关键细节上保持一致，以实现负责任 AI 的应用。

让视觉既实用又安全

与 ChatGPT 的其他功能一样，视觉功能也是为您的日常生活提供帮助。只有当它能看到用户所看到的东西时，才能发挥最大作用。

OpenA 与盲人和低视力者的免费手机应用程序 Be My Eyes 合作，了解其用途和局限性，并从中直接借鉴了这一方法。用户告诉 OpenAI，他们发现背景中恰好有人的图像进行一般性对话非常有价值，比如当你正在尝试遥控器设置时，电视上出现了一个人。

由于 ChatGPT 并不总是准确的，而且这些系统应尊重个人隐私，因此 OpenA 还采取了技术措施，大大限制 ChatGPT 分析和直接陈述人的能力。

真实世界的使用情况和反馈将帮助 OpenAI 在保持工具实用性的同时，使这些保障措施更加完善。

模型限制的透明度

用户可能会依赖 ChatGPT 来处理专业话题，例如研究领域。OpenAI 对模型的局限性保持透明，不鼓励未经适当验证的高风险用例。此外，该模型精通英语文本的转录，但对其他一些语言，尤其是非罗马字母的语言，表现不佳。OpenAI 建议非英语用户不要使用 ChatGPT。

用户可以在图像输入系统卡中阅读更多有关安全方法以及与 Be My Eyes 合作的信息。

OpenAI 将扩大访问范围

Plus 和 Enterprise 用户将在未来两周内体验语音和图像, 很高兴不久后能向包括开发人员在内的其他用户群推出这些功能。

原文链接：ChatGPT can now see, hear, and speak (openai.com)