來源：每經

5月21日，著名影星斯嘉麗·約翰遜（Scarlett Johansson）指控OpenAI的ChatGPT，非法使用其聲音並要求下架，表示對OpenAI的行爲感到“震驚”和“憤怒”。對此，OpenAI回應稱，將暫停使用“Sky”模式的聲音，並詳細介紹了語音選擇的創作流程，強調所有配音均來自專業演員。

此前，OpenAI推出新旗艦模型GPT-4o，該模型在保留了之前的五種語音模式的基礎上，大大提升了圖像和音頻理解方面的能力，能夠進行實時語音通信，可以識別音調、說話的人和背景噪音，甚至可以輸出笑聲、歌唱聲和表達情感。

斯嘉麗怒懟ChatGPT語音模式：山寨！ 

5月21日，斯嘉麗·約翰遜在社交平臺髮長文指控OpenAI非法使用她的聲音，要求下架“Sky”模式。她表示，這種行爲不僅侵犯了她的權利，還引發了公衆對AI技術濫用的擔憂。

斯嘉麗在其長文中透露，早在2023年9月，OpenAI曾聯繫她，希望她爲ChatGPT的語音模式配音，但因個人原因她拒絕了這個邀請。就在產品發佈會前兩天，OpenAI再次嘗試說服她配音，依舊遭到拒絕。然而，斯嘉麗在最終發佈的產品中發現“Sky”模式的聲音與她本人非常相似。她表示，自己聽到演示後，感到震驚、憤怒和難以置信，無法相信OpenAI竟會使用一個如此像她的聲音，連她的親密朋友和新聞媒體都分辨不出Sky和她本人聲音的差別。

此外，斯嘉麗提到，OpenAI首席執行官薩姆·阿爾特曼（Sam Altman）在GPT-4o發佈時，在社交平臺上只發了一個詞“Her”，不禁讓人聯想到，斯嘉麗在2013年科幻AI電影《Her》中爲女主AI配音的經歷，是否在暗示這種相似是故意爲之？

斯嘉麗強調，“在這個我們都在努力應對深度僞造，保護自身形象、作品和身份的時代，我認爲這些問題需要得到絕對的明確。我期待通過透明度和立法來解決這些問題，以確保個人權利得到保護。”

面對指控，OpenAI迅速做出反應，宣佈暫停使用“Sky”模式的聲音。他們在官網上詳細介紹了ChatGPT語音模式的創作流程，強調所有聲音都是從400多名專業配音演員中挑選出來的，並經過嚴格的審覈。

OpenAI的官方聲明中提到：“我們收到了關於ChatGPT選取聲音方式的一些質疑，尤其是針對“Sky”。目前，我們正積極採取措施，暫停“Sky”的使用，以解決這些問題。”

GPT-4o：對話式AI的巨大飛躍 

此前，ChatGPT的語音模式包括Breeze、Cove、Ember、Juniper和Sky五種聲音。這些聲音是經過精心挑選，以滿足用戶的多樣化需求。每種聲音都擁有獨特的情感和聲音特質，爲用戶提供了更加豐富的交互體驗。

而最新發布的GPT-4o版本不僅保留了之前的五種語音模式，還進一步提升了語音交互的自然度和情感表達能力。GPT-4o在語音識別和生成方面進行了多項改進，使得AI助手更加智能和人性化。

據介紹，新模型使ChatGPT能夠處理50種不同的語言，同時提高了速度和質量。

GPT-4o是邁向更自然人機交互的一步，它可以接受文本、音頻和圖像三者組合作爲輸入，並生成文本、音頻和圖像的任意組合輸出，“與現有模型相比，GPT-4o在圖像和音頻理解方面尤其出色。”

在GPT-4o之前，用戶使用語音模式與ChatGPT對話時，GPT-3.5的平均延遲爲2.8秒，GPT-4爲5.4秒，音頻在輸入時還會由於處理方式丟失大量信息，讓GPT-4無法直接觀察音調、說話的人和背景噪音，也無法輸出笑聲、歌唱聲和表達情感。

與之相比，GPT-4o可以在232毫秒內對音頻輸入做出反應，與人類在對話中的反應時間相近。在錄播視頻中，兩位高管做出了演示：機器人能夠從急促的喘氣聲中理解“緊張”的含義，並且指導他進行深呼吸，還可以根據用戶要求變換語調。

圖像輸入方面，演示視頻顯示，OpenAI高管啓動攝像頭要求實時完成一個一元方程題，ChatGPT輕鬆完成了任務；另外，高管還展示了ChatGPT桌面版對代碼和電腦桌面（一張氣溫圖表）進行實時解讀的能力。

OpenAI稱，“我們跨文本、視覺和音頻端到端地訓練了一個新模型，這意味着所有輸入和輸出都由同一神經網絡處理。由於GPT-4o是我們第一個結合所有這些模式的模型，因此我們仍然只是淺嘗輒止地探索該模型的功能及其侷限性。”