今年 5 月，OpenAI 首席技術官米拉?穆拉蒂(Mira Murati)在演講中提到：

　　在 GPT-4o 中，我們訓練了跨文本、視覺和音頻的端到端全新統一模型，這意味著所有輸入和輸出都由同一個神經網絡處理。

　　由于 GPT-4o 是我們第一個結合所有這些模式的模型，因此我們在探索該模型的功能及其局限性方面仍處于起步階段。

　　OpenAI 公司原計劃今年 6 月底邀請一小部分 ChatGPT Plus 用戶測試 GPT-4o 語音模式，但官方在 6 月宣布推遲，表示需要更多時間打磨該模型，提高該模型檢測和拒絕某些內容的能力。

　　根據此前曝光的信息，GPT-3.5 模型的平均語音反饋延遲為 2.8 秒，而 GPT-4 模型的延遲為 5.4 秒，因此在語音交流方面不太優秀，而即將推出的 GPT-4o 可以極大地縮短延遲時間，近乎無縫對話。

　　GPT-4o 語音模式具有快速反應、聲音堪比真人等特征，OpenAI 更稱 GPT-4o 語音模式可以感知語音中的情感語調，包括悲傷、興奮或歌唱。

　　OpenAI 發言人林賽?麥卡勒姆(Lindsay McCallum)表示：“ChatGPT 不能假冒他人的聲音，包括個人和公眾人物的聲音，并且會阻止與預設聲音不同的輸出。”