2024年5月21日，著名影星斯嘉麗·約翰遜指控OpenAI的ChatGPT非法使用其聲音并要求下架，表示對(duì)OpenAI的行為感到“震驚”和“憤怒”。對(duì)此，OpenAI回應(yīng)稱，將暫停使用“Sky”模式的聲音，并詳細(xì)介紹了語(yǔ)音選擇的創(chuàng)作流程，強(qiáng)調(diào)所有配音均來(lái)自專(zhuān)業(yè)演員。

此前，OpenAI推出新旗艦?zāi)Ｐ虶PT-4o，該模型在保留了之前的五種語(yǔ)音模式的基礎(chǔ)上，大大提升了圖像和音頻理解方面的能力，能夠進(jìn)行實(shí)時(shí)語(yǔ)音通信，可以識(shí)別說(shuō)話者音調(diào)和背景噪音，甚至可以輸出笑聲、歌唱聲和表達(dá)情感的語(yǔ)氣聲。

斯嘉麗怒懟ChatGPT語(yǔ)音模式：山寨！

5月21日，斯嘉麗·約翰遜在社交平臺(tái)發(fā)長(zhǎng)文指控OpenAI非法使用她的聲音， 要求下架“S k y ”模式。她表示，這種行為不僅侵犯了她的權(quán)利，還引發(fā)了公眾對(duì)AI技術(shù)濫用的擔(dān)憂。

斯嘉麗在其長(zhǎng)文中透露， 早在2023年9月，OpenAI曾聯(lián)系她，希望她為ChatGPT的語(yǔ)音模式配音，但因個(gè)人原因她拒絕了這個(gè)邀請(qǐng)。就在產(chǎn)品發(fā)布會(huì)前兩天，OpenAI再次嘗試說(shuō)服她配音，依舊遭到拒絕。然而，斯嘉麗在最終發(fā)布的產(chǎn)品中發(fā)現(xiàn)“Sky”模式的聲音與她本人非常相似。她表示，自己聽(tīng)到演示的聲音后，感到震驚、憤怒和難以置信， 無(wú)法相信O p e n A I竟會(huì)使用一個(gè)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(zhí)行官薩姆·阿爾特曼在GPT-4o發(fā)布時(shí)，在社交平臺(tái)上只發(fā)了一個(gè)詞“Her”，不禁讓人聯(lián)想到，斯嘉麗在2013年科幻AI電影《Her》中為“女主角”（人工智能系統(tǒng)OS1）配音的經(jīng)歷，是否在暗示這種相似是故意為之？

斯嘉麗強(qiáng)調(diào)，“在這個(gè)我們都在努力應(yīng)對(duì)深度偽造，保護(hù)自身形象、作品和身份的時(shí)代， 我認(rèn)為這些問(wèn)題需要得到絕對(duì)的明確。我期待通過(guò)立法和透明的處理方式來(lái)解決這些問(wèn)題，以確保個(gè)人權(quán)利得到保護(hù)。”

面對(duì)指控，OpenAI迅速做出反應(yīng)，宣布暫停使用“Sky”模式的聲音。他們?cè)诠倬W(wǎng)上詳細(xì)介紹了ChatGPT語(yǔ)音模式的創(chuàng)作流程，強(qiáng)調(diào)所有聲音都是從400多名專(zhuān)業(yè)配音演員中挑選出來(lái)的，并經(jīng)過(guò)嚴(yán)格的審核。

OpenAI的官方聲明中提到：“我們收到了關(guān)于ChatGPT選取聲音方式的一些質(zhì)疑，尤其是針對(duì)‘Sky’。目前，我們正積極采取措施，暫?！甋ky’的使用，以解決這些問(wèn)題?！?/p>

GPT-4o：：對(duì)話式AI的巨大飛躍

此前，ChatGPT的語(yǔ)音模式包括Breeze、Cove、Ember、Juniper和Sky等5種聲音。這些聲音經(jīng)過(guò)精心挑選，以滿足用戶的多樣化需求。每種聲音都擁有獨(dú)特的情感和聲音特質(zhì)，為用戶提供了更加豐富的交互體驗(yàn)。

而最新發(fā)布的GPT-4o版本不僅保留了之前的5種語(yǔ)音模式，還進(jìn)一步提升了語(yǔ)音交互的自然度和情感表達(dá)能力。GPT-4o在語(yǔ)音識(shí)別和生成方面進(jìn)行了多項(xiàng)改進(jìn)，使得AI助手更加智能和人性化。

據(jù)介紹， 新模型使Chat GPT能夠處理50種不同的語(yǔ)言，同時(shí)提高了速度和質(zhì)量。

GPT-4o是邁向更自然人機(jī)交互的一步，它可以接受文本、音頻和圖像三者組合作為輸入，并生成文本、音頻和圖像的任意組合輸出，與現(xiàn)有模型相比，GPT-4o在圖像和音頻理解方面大有改進(jìn)。

在GPT-4o之前， 用戶使用語(yǔ)音模式與ChatGPT對(duì)話時(shí)，GPT-3.5的平均延遲為2.8秒，GPT-4為5.4秒，音頻在輸入時(shí)還會(huì)由于處理方式丟失大量信息，使得GPT-4無(wú)法直接識(shí)別說(shuō)話者音調(diào)和背景噪音，也無(wú)法輸出笑聲、歌唱聲和表達(dá)情感的語(yǔ)氣聲。

與之相比，GPT-4o可以在232毫秒內(nèi)對(duì)音頻輸入做出反應(yīng)，與人類(lèi)在對(duì)話中的反應(yīng)時(shí)間相近。在錄播視頻中，兩位高管做出了演示：機(jī)器人能夠從急促的喘氣聲中理解“緊張”的含義，并且指導(dǎo)他進(jìn)行深呼吸，還可以根據(jù)用戶要求變換語(yǔ)調(diào)。

OpenAI稱，“我們跨文本、視覺(jué)和音頻端到端地訓(xùn)練了一個(gè)新模型，這意味著所有輸入和輸出都由同一神經(jīng)網(wǎng)絡(luò)處理。由于GPT-4o是我們第一個(gè)結(jié)合所有這些模式的模型，因此我們只是淺嘗輒止地探索該模型的功能，還存在較大局限性?！?（綜合整理報(bào)道）（策劃/李嘉婧）