GPT-4o

全模态架构

GPT-4o（o代表omni，全能）的核心突破是将语音处理从「文字转语音→文字推理→语音合成」的三步流水线变为单一端到端模型——音频直接输入，音频直接输出，中间不经过文字转换。这让模型能感知说话者的情绪（音调变化、犹豫、笑声），也能用不同语气（急促、平静、幽默）回应，而不只是机器人般的朗读。

发布时的演示视频展示了GPT-4o在用户解一道数学题时实时观察并「家教式」提问引导，以及识别用户情绪并作出回应，视觉、语音、推理无缝协同。[1]

定价与可用性

GPT-4o API定价为输入$5/百万token、输出$15/百万token，是GPT-4 Turbo的一半。这使得原本只有高预算项目才能使用GPT-4级能力的场景大幅扩展。ChatGPT免费用户也能使用GPT-4o（有次数限制），不再需要付费升级才能体验旗舰模型。

2024年底，GPT-4o的视觉能力经历了多轮更新，能更准确地理解图表、截图，并在实时视频流（通过Advanced Voice Mode）中「看懂」用户的环境。