GPT-4o, 语音的 ChatGPT 时刻终于来了！

千呼万唤始出来，语音的 ChatGPT 时刻终于来了！当 ChatGPT 引爆世界后，语音的从业者就一直在期待、想象、实验、推进基于 LLM 的语音交互应用和技术，OpenAI 自己也推出了 Whisper 识别、合成的语音模型，但之前更多的是持续性的改进和小的创新，远未有当初 ChatGPT 那样颠覆性的体验和效果。今天，仍然是 OpenAI，AI 行业的风向标，他来了，带着 GPT-4o 来了！

GPT-4o 中有很多方面的改进，然而，最大最颠覆性的，还是在语音交互。

对语音交互来讲，GPT-4o 新在哪里？

现场的演示中，Mira 也提到了这个问题，亚裔小伙给出的答案是 1）支持打断 2）实时交互 3）懂你的情绪；在回复方面，则可以以更多的风格更多的情感合成声音。这里我们再进一步抽象和拓展一下几个特点。

极致端到端，交互体验非常酷炫，非常丝滑，并很好的支持打断。对比以前的交互系统，需要唤醒、识别、自然语言理解、查询、回复生成、TTS 多个模块，每个模块都是单独的模型、都是独立的团队在做，信息逐模块在损失，前面一个模块出错，后面基本就全错。例如识别模块是把语音转文字，交给下游处理，在转文字过程中，语音的其他信息全都丢掉了，例如说话人的音调、性别、情绪、背景音乐、噪声，有没有其他人说话等等。现在 GPT-4o 一个模型端到端全搞定，能极限的感知和理解，如现场演示中，GPT-4o 能理解和分辨到人大口的喘气、呼气和吸气。

极致低延迟，看现场的实时演示，模型反应极快。回看发布会的视频时，弹幕上清一色的好快！OpenAI 的技术博客中给出的数字是最低 232 ms，平均 320 ms 就能给出回复，已经非常接近真人交互时的响应速度。（这里引用了一篇文章，其在十个语种上统计了人类自然对话时延时大概在 250ms 左右）。

对称多模态，输入输出都可以是文本、语音和视觉，最终模型能力更全栈，更能做全场景的处理。语音是首次作为独立模态引入到 GPT 模型中，GPT-4o 是 OpenAI 第一次尝试做文本、视觉和语音的整合，从统一模态上来讲，这是迈向 AGI 的一大步。

GPT-4o 是如何做到的？

那么，GPT-4o 是怎么练成的，在语音交互中的几个特点是如何做到的呢？

如何做到端到端？个人觉得核心在于路径和节奏的把控。OpenAI 从成立之初，就把 AGI 作为自己的使命和终极追求，但在路径上，OpenAI 却是非常的务实。所以，我们看到刚开始有文本的 GPT，图像生成的 DALL.E，然后在 GPT-4 中做了图像模态的输入，可以做图像的理解了；在语音这个任务上，刚开始进攻语音交互中最重要的两个独立的任务，识别的 Whisper 和基于大模型的合成，这两个工作在识别合成的细分行业中，也是战术核弹的存在，直到今天水道渠成的把识别、合成等的语音能力集成进 GPT-4o，就成了战略核弹。在路径上，在今天，行业在积累了领域的知识，领域的技术，再往 LLM 中接入该模态和能力的时候，方法上已不是个特别大的问题，这样的工作特别多，对 OpenAI 来讲就更不是个问题。在节奏上，OpenAI 的每次新技术发布总是恰逢其时，每次都有不一样的创新，当行业陷入停滞的时候，大家仿佛都在等 OpenAI 放大招。

如何做到低延迟？核心还是来自于端到端。如下图，是上一代 ChatGPT 的交互，通过 Whisper 识别成文字(Speech -> Text)，然后将文字喂给 ChatGTP 做理解并生成回复(Text -> Text)，再喂给类似 OpenAI 的类似 VALL-E（行业猜） 这样的模型做合成(Text -> Speech)，每一步都必须等到上一步完全执行完成才能开始下一步，累计的延迟非常大，博客中给了个数据，理解部分是 ChatGPT 的话平均延迟是 2.8s，GPT-4 的话 5.4s，加上识别部分等待时间会更长。所以我们看到初代 ChatGPT 那个圈不停的转，需要等很久。现在一步到位，直接 Speech -> Speech，用户感知到的延迟仅是合成的首字时间，平均 320 ms。这个速度，不仅远远超越了自己，也远远超越了所有的同行。

如何做到打断？现场演示的打断确实非常的快，非常的丝滑。传统的打断是依靠一个 VAD(Voice Active Detection) 的模块来做语音活动检测，一般需要较长的时间（0.5秒以上）确认用户有没有讲话，然后确定是不是要做打断。基本无法捕捉对于用户语音中的语气词、停顿、犹豫、重复、背景噪声等的信息，因此很容易出现插话、半天不说话等现象，用户体验非常糟糕。现在我们盲猜，GPT-4o 是在建模中显示的引入了用户语音结束 <EOU>(End of Utterance)、打断 <BARGE_IN> 两个建模单元，当模型输出 <EOU> 时，立即进入合成状态，当模型输出 <BARGE_IN> 时立即停止合成。

如何控制输入输出形态？在发布会上，OpenAI 宣布 GPT-4o 不仅可以在 ChatGPT 中使用，也可以在 API 中使用。在 ChatGPT 的 APP 和整个演示中，都是 Speech in, Speech Out，那在 API 中我们如何控制输出的模态呢？一种潜在的可能是目前输出模态是通过 prompt 控制的，在 ChatGPT APP 中我们指定输出为 Speech，在其他场景中我们则或指定，或让模型自动推导输出的模态。如想识别一段语音的文本，我们上传语音，并且通过文字的 prompt 告诉 API 我们想要文本形态的输出即可。

关于未来

语音交互的设计会去跟进和对标 GPT-4o，这点毋庸置疑。GPT-4o 确实做到了 10 倍的变化，此时整个端到端的体验，一些 corner case 的处理，当你的音箱、座舱等的语音助手不再答非所问，不在胡言乱语，有能力，有感情有温度，整个使用的活跃度相比现在肯定会有数量级的提升。相信在今天，肯定有不少产品已经开始了新一轮的立项和设计，语音交互也会开启新的历史进程。

大模型的军备竞赛越来越难，越来越残酷，轮为巨头的游戏。当初自研文本大模型的很多公司在 LLaMA 1/2/3 的一轮又一轮开源模型的攻势下，很快发现自己不但跟不起了，而且想跟也跟不上了。现在有文本、视觉、语音3种模态的输入，有文本、视觉、语音 3 种模态的输出，未来潜在就有 9 种可能的输入输出的组合，也就是数据、资源、人力上 9 倍 的投入，如何进行跟进。压力可能传递到 LLaMA 3 这里，LLaMA 3 还有个 400 B 的多模态的大模型还未发布，还未开源，不知是否会针对 GPT-4o 做一些调整。

最后，最近听了太多关于大模型在语音交互中价值的质疑，甚至很多是从业者的自我的怀疑，现在 GPT-4o 可谓一阵强心剂，确实是对语音行业的利好。然而，“莫听穿林打叶声，何妨吟啸且徐行”的豁然和坚持会更美！

参考链接

1. GPT-4o 博客链接 https://openai.com/index/hello-gpt-4o/
2. 关于人类对话延时的研究 https://www.pnas.org/doi/10.1073/pnas.0903616106
3. ChatGPT 合成 https://openai.com/index/chatgpt-can-now-see-hear-and-speak/
4. Whisper 识别 https://openai.com/index/whisper/