①OpenAI發佈GPT-4o，蘋果、Meta探索帶攝像頭耳機，Siri也有望引入ChatGPT，這些主要交互形式都離不開語音互動。 ②在OpenAI的Sam Alteman看來，語音交互是通向未來交互的重要途徑，“多模態交互能力非常強大。”
《科創板日報》5月14日訊 音頻輸入反應時間短至232毫秒、能感知人類情緒、能和用戶像真人一樣聊天——昨夜OpenAI一場發佈會，最新多模態大模型GPT-4o的出色表現引發外界矚目。各家科技巨頭們也沒有放慢追逐的腳步，AI人機交互，尤其是語音交互，或許將成爲新一輪競爭焦點。
據The Information援引知情人士消息稱，$Meta Platforms (META.US)$已建立一個名爲“Camerabuds”（攝像頭耳機）的項目，探索製造由AI驅動的帶攝像頭耳機，希望其能識別物體、翻譯外語。
此前，Meta已發佈了新一代雷朋智能眼鏡，內置多模態AI功能。用戶戴上眼鏡後，說一聲“嘿，Meta”，就能召喚出一個虛擬助手，後者能看到並聽到周圍發生的一切，能描述物品，能翻譯，還會搭配衣服。
與此同時，$蘋果 (AAPL.US)$也在進行類似的探索。
蘋果即將與 OpenAI 達成協議，或將在iOS 18中引入由ChatGPT提供支持的“聊天機器人”，有望對蘋果的個人語音助理Siri帶來顛覆性影響。之前公司已被曝正在探索開發帶攝像頭的AirPods，AI可以使用攝像頭拍攝的畫面，並通過多模態語音、圖像人工智能系統，幫助用戶跟蹤自己的日常活動，協助人們的日常工作，優化日常作息。
不論是GPT-4o、帶攝像頭耳機，還是計劃ChatGPT的“升級版Siri”，其主要交互形式都離不開語音互動。
而在語音交互這場賽跑中，OpenAI已暫時憑藉着GPT-4o領先，這也是OpenAI邁向更自然人機交互的更近一步。華福證券今日報告指出，GPT-4o奠定了AI語音助手基礎：低延遲、情緒感知、視覺感知。其中，情緒感知是對語音一維輸出模態的豐富，視覺感知能力則可以適配AI手機、AI電腦和AI智能硬件。
在幾天前的一場訪談中，Sam Altman曾被問及，iPhone之後會出現什麼樣的（革命性）設備。“我認爲你必須找到一些真正不同的交互範式，才能實現這種設備技術。”Altman說道，“我們會進一步提升（語音功能）。”
在他看來，語音交互是通向未來交互的重要途徑，“多模態交互能力非常強大。比如你可以向ChatGPT提問，‘嘿ChatGPT，我正在看什麼’或是‘這是什麼植物’。”
站在科技的時光隧道回望，從最初不會說話的AlphaGo，到之後“豎耳傾聽、張口說話”的蘋果Siri與ChatGPT語音版，再到如今的GPT-4o，AI的人機交互正越來越接近人類之間的交流。
對於普羅大衆而言，科技巨頭們所宣傳的龐大訓練數據規模、算力需求、參數堆疊，都是難以直觀感受到的要素。更低的價格、降低的應用門檻、更自然的交流模式，才是維繫着用戶最真實的感受與體驗的“秘訣”，未來或許也將成爲AI之戰的決勝因素。
編輯/jayden