GPT-4o 发布会之后这一周

5 月 13 日，OpenAI 春季发布会，Mira Murati 带着两个研究员拿出了 GPT-4o。o 是 omni，文字、图像、声音，一个模型全收。

我记住了三个画面。第一个，Mark Chen 对着手机喘粗气，假装上台前紧张，手机里的声音听了一会儿，慢悠悠地说：慢一点，你又不是吸尘器。全场笑翻。第二个，研究员在纸上写了一行 "I love ChatGPT" 举到镜头前，它的声音里全是感动；让它换腔调讲睡前故事，戏剧腔、机器人腔，最后唱了起来。第三个，发布会一结束，奥特曼在 X 上发了一个词：her。

看发布会的时候，我的感觉很单纯：技术又往前蹦了一大步。以前的语音助手是三个模型串起来演戏，语音转文字、模型回文字、文字转语音，中间隔着好几秒。OpenAI 说这次音频平均 320 毫秒就能回应，跟人说话差不多快。它能被打断，能听出你的情绪，还能接梗。

一周后，事情变成了丑闻。发布会用的 Sky 音色被无数人听出像斯嘉丽·约翰逊，就是电影《Her》里给 AI 配音的那位。斯嘉丽发声明说，去年 9 月奥特曼就找过她配音，她拒绝了；发布会前两天还托人再问过一次。5 月 20 日，OpenAI 暂停了 Sky，说那是另一位演员的自然声音。

我不太信这是巧合。你不可能一边发"her"，一边对音色像不像毫不知情。但比起这场官司，我更在意那个词定下的调子：OpenAI 卖的不再只是"更强的模型"，是"更像人的对话者"。文字界面里，AI 是一问一答的工具；能打断、能接梗、能听出情绪之后，它成了一个会跟你建立关系的对象。