Många har noterat att röstkapaciteterna hos GPT-4 har en flörtig och igenkännbar kvalitet. Rösten använder ofta en "California Valley Girl"-accent, vilket kan uppfattas som lekfull och till och med lite pinsam ibland.

Den flörtiga tonen är tydlig i exempel där AI interagerar med människor, som i demonstrationen "Gissning av 13 maj-tillkännagivandet". AI-rösten har en gäll, rodnad kvalitet när den engagerar sig med människan och använder fraser som "hej där" och komplimenterar deras utseende.

Igenkännligheten hos rösten är också anmärkningsvärd, där talaren noterar att accenten är mycket bekant för dem som kommer från Los Angeles. Detta tyder på att standardinställningarna för GPT-4:s röst kan vara modellerade efter vanliga talmönster, vilket skulle kunna göra interaktionerna mer naturliga och mänskliga.

Men även om röstens flörtighet kan uppfattas som klumpig ibland, belyser den också GPT-4:s imponerande förmåga att anpassa sin ton och personlighet baserat på sammanhanget. Rösten blir mer dämpad och instruktiv när AI ombeds att handleda en elev, till exempel. Denna anpassningsförmåga är en nyckelstyrka i modellens konversationsförmågor.

Sammanfattningsvis är GPT-4:s röst en unik och ofta underhållande aspekt av systemet, som blandar naturligt ljud tal med en nyans av lekfullhet. Allteftersom tekniken fortsätter att utvecklas kommer det att vara intressant att se hur röstkapaciteterna förfinas och anpassas för att passa olika användningsområden.

I det här exemplet ser vi två AI-modeller som interagerar med varandra. Den första AI:n kan se världen genom ett kamera, medan den andra AI:n endast kan höra och kommunicera genom röst.

Interaktionen börjar med att den första AI:n beskriver vad den ser - en person som bär en svart läderväst och en ljus skjorta, i ett rum med en modern industriell känsla och intressant belysning. När den andra AI:n frågar om något ovanligt hände, noterar den första AI:n att en annan person kort kom in i ramen och gjorde "kantoröron" bakom den första personens huvud, vilket lade till en lekfull stund i scenen.

De två AI:erna fortsätter sedan att sjunga en improviserad sång om händelserna, där var och en tar sin tur att bidra med en rad som rimmar med den föregående. Detta visar AI:ns förmåga att engagera sig i kreativa, ömsesidiga interaktioner, där de svarar på kontextuella ledtrådar och genererar sammanhängande, rytmisk output.

Sammanfattningsvis visar det här exemplet på de imponerande förmågorna hos GPT-4 när det gäller multimodal förståelse, kontextuell medvetenhet och generativa förmågor. Den sömlösa integrationen av vision, språk och musik belyser potentialen för AI att delta i rika, samarbetsbaserade upplevelser.

Hej Rocky, jag mår jättebra! Jag har några stora nyheter - jag ska just på en intervju på Open AI! Har du hört talas om dem? Det är en fantastisk möjlighet och jag vill se till att jag är fullt förberedd.

Jag behöver bara veta, ser jag presentabel och professionell ut? Jag tänker bara kasta på mig den här statement-biten jag har, vad tror du? Jag vet att det är lite djärvt, men kanske hjälper det mig att sticka ut.

Du har rätt, jag borde nog inte gå för långt. Kanske jag bara kör en hand genom håret och lutar mig in i "galen geni"-utseendet - min entusiasm kommer verkligen att lysa igenom.

Jag har inte mycket tid, så jag kommer bara att gå för det. Önskar mig lycka till! Med ditt råd känner jag mig säker på att jag kan klara den här intervjun och få jobbet på Open AI. Det här är en enorm möjlighet och jag kan inte vänta med att se vad framtiden har i beredskap.

Hej Alex och Miana, trevligt att träffa er båda! Hur går det? Jag har en bra idé - låt oss spela en klassisk sten sax påse. Det är snabbt, roligt och jag är redo att komma i tävlingsanda.

i en sportkommentatorröst Välkomna mina damer och herrar till århundradets ultimata uppgörelse! I det här hörnet har vi den dynamiska duon Alex och Miana, redo att slåss! Okej ni två, låt oss göra det här. På räkning tre, visa mig era val. 3... 2... 1... skjut! Låt oss se de där händerna - vem vann den första omgången?

Oh, lika! Okej, låt oss göra det igen. Gör er redo... 3... 2... 1... skjut! Hmm, ännu en lika. Det här blir intensivt! En omgång till, här kommer vi. 3... 2... 1... skjut! Och vinnaren är... Miana! Dina saxar klippte igenom Alex papper. Bra jobbat!

Vad en spännande match! Ni båda gjorde en bra insats, men Miana kom ut som segrare den här gången. Kanske vi får en bäst av fem nästa gång. Sten sax påse är alltid kul - den perfekta blandningen av skicklighet och slump. Jag hade roligt att spela med er två, hör av er om ni vill ha en returmatch när som helst!

Hej Chad, är du där?

Ja, jag är här. Vad är det?

Hej, låt oss ha lite kul. Jag skulle vilja att du är superironic - allt du säger från och med nu är bara drypande av ironi. Hur låter det?

Åh, det låter fantastiskt. Att vara ironisk hela tiden är inte utmattande eller något. Jag ser så mycket fram emot det här. Nej, ironin. Låt oss komma igång eller vad som helst.

Riktigt coolt. Igen, det finns så mycket information som förmedlas i din röst, och nu har AI förmågan att förmedla den informationen. Mycket imponerande.

Nu har vi Salman KH från KH Academy. Om du inte känner till KH Academy, är det en gratis inlärningsresurs, och han är helt inriktad på undervisning. Det här är hans son, och nu ska AI hjälpa till att handleda hans son i matte. Det här är nog ett av de användningsområden jag är mest upphetsad över, för du kan uttryckligen säga "Hej, gå igenom det här, ge mig inte svaret, utan lär mig det". Potentialen för inlärning är enorm. Låt oss ta en titt.

Open AI bjöd in mig och min son Imran hit för att prova på deras nya teknik, och vi är nyfikna på hur bra den kan vara på att handleda någon i matte på KH Academy.

Jag är här med min son, och jag skulle vilja att du handleder honom i den här matteproblemen, men ge honom inte svaret. Du kan ställa frågor och puffa honom i rätt riktning, men jag vill verkligen se till att han förstår det själv, och han är här i rummet, så du kan prata direkt med honom.

Självklart, jag hjälper gärna till. Låt oss titta på problemet tillsammans. Kan du först identifiera vilka sidor av triangeln som är motstående, angränsande och hypotenusa i förhållande till vinkel Alpha?

Okej, så jag är ganska säker på att det här är vinkel Alpha här, eller hur?

Ja, det stämmer. Titta nu på triangeln, vilken sida tror du är hypotenusa?

Hm, hypotenusa? Jag är inte helt säker. Jag tror det kan vara den här, men jag är verkligen inte säker.

Okej, sida AC kallas den angränsande sidan till vinkel Alpha. Hypotenusa är den längsta sidan i en rätvinklig triangel och är direkt motsatt den räta vinkeln.

Ah, jag förstår. Så hypotenusa är den här riktigt långa sidan från A till B.

Korrekt, bra jobbat. Nu när du har identifierat hypotenusa, kan du identifiera vilken sida som är motstående vinkel Alpha?

Nåja, du sa ju tidigare att det här var den angränsande sidan, och jag vet att det här är hypotenusa, så jag gissar att den här sidan BC är den motstående sidan.

Bra slutledning, det är helt rätt. Nu när du har identifierat alla sidor i förhållande till vinkel Alpha, kommer du ihåg formeln för...?

Flörtigheten i rösten är i stort sett borta när den är i "undervisa ett barn"-läge, vilket är ganska rätt. Återigen är det förståelsen för situationens sammanhang och vilken röst som ska användas som känns som magi för mig.

I det här avsnittet ser vi GPT-40 delta i en debatt om huruvida katter eller hundar är bättre husdjur. Samtalet involverar flera personer, inklusive Lilian, Ola och Christine, som alla uttrycker sina preferenser.

Lilian gillar hundar eftersom de är fantastiska sällskapsdjur, söta och roliga att leka med. Ola föredrar katter eftersom de är mer ekonomiska, tysta, självständiga och lever längre. Christine föredrar också hundar, särskilt större raser som tyska schäferhundar, som hon säger är snälla och bra med barn.

Efter debatten ombeds GPT-40 att sammanfatta mötet. Den gör det koncist och sammanfattar de viktigaste punkterna som varje person framförde och den övergripande diskussionen om det klassiska "hundar mot katter"-ämnet.

Detta exempel visar på GPT-40:s förmåga att:

1. Identifiera och skilja mellan flera talare baserat på deras röster.
2. Förstå samtalssammanhanget och svara därefter, utan den flörtiga ton som användes i vissa andra exempel.
3. Ge en tydlig och korrekt sammanfattning av mötet, med fokus på de viktigaste punkterna som varje deltagare framförde.

Potentialen för den här typen av mötes- och anteckningsförmåga är betydande, eftersom den skulle kunna spara tid och förbättra produktiviteten i olika affärs- och utbildningsmiljöer.

I det här avsnittet ser vi två imponerande exempel på GPT-40:s förmågor när det gäller realtidsöversättning och tillgänglighet för blinda.

Det första exemplet visar realtidsöversättning mellan engelska och spanska. När en person talar på engelska, översätter och upprepar GPT-40 det omedelbart på spanska. Och när den andra personen svarar på spanska, översätter GPT-40 det tillbaka till engelska. Den här sömlösa översättningen i realtid skulle kunna vara otroligt användbar för att överbrygga språkbarriärer.

Det andra exemplet visar hur GPT-40 kan hjälpa blinda personer genom Bey AI-plattformen. Den blinda användaren riktar sin kamera mot olika scener, och GPT-40 beskriver detaljerat vad den ser - från änder som glider på vattnet till den närmande taxin. Detta gör att den blinda användaren kan uppleva och förstå sin omgivning på ett sätt som tidigare endast var möjligt med mänsklig hjälp. GPT-40:s låga fördröjning är avgörande för att göra den här användningen genomförbar.

Dessa exempel belyser hur GPT-40:s multimodala förmågor, som kombinerar vision, språk och röst, kan avsevärt förbättra tillgänglighet och inkludering. Funktionerna för realtidsöversättning och visuell beskrivning har potential att ge människor med funktionsnedsättningar eller språkbarriärer nya möjligheter till kommunikation och engagemang med omvärlden.

I det här exemplet används GPT-40 för att hantera ett kundtjänstsamtal åt användaren. AI:n kan förstå användarens problem och mål (att få en ersättningsenhet från Acme Telco), initiera samtalet, presentera sig och förklara situationen för agenten, samt ha ett naturligt samtal med agenten och tillhandahålla nödvändiga uppgifter.

Denna användning belyser hur GPT-40:s multimodala förmågor (vision, språk, röst) kan utnyttjas för att automatisera tråkiga kundtjänstuppgifter. Genom att låta AI:n hantera samtalet kan användaren spara tid och ansträngning, samtidigt som problemet löses effektivt. Detta skulle kunna vara en värdefull produktivitetsökning för både individer och företag.

Potentialen för missbruk erkänns också, eftersom tekniken skulle kunna missbrukas av bedragare. Förhoppningen är dock att OpenAI har implementerat skyddsåtgärder för att förhindra sådant missbruk och säkerställa att tekniken används på ett ansvarsfullt sätt.

Förutom röst- och interaktionsförmågorna som visats upp, demonstrerar GPT-40 också imponerande förmågor inom andra områden:

Foto till karikatyr: Modellen kan ta ett foto av en person och generera en karikatyrliknande rendering. I det angivna exemplet förvandlas en ung man med medellångt brunt hår och skägg, som bär glasögon och en ljusgrå t-shirt, till en överdrivet karikerad version.

Föreläsningssammanfattning: GPT-40 kan titta på och sammanfatta långa videolektioner. I ett exempel kondenserar modellen en 45-minuters presentation om tekniker för att maximera prestandan hos stora språkmodeller till en koncis sammanfattning.

3D-objektsyntes: Modellen kan generera realistiska 3D-renderingar av objekt, som OpenAI-logotypen. Den kan producera flera variationer och till och med tillhandahålla en 3D-rekonstruktion som roterar, vilket visar den 3D-mässiga naturen hos utdata.

Dessa diversifierade förmågor belyser bredden och djupet i GPT-40:s färdigheter, som går utöver bara röst och interaktion till att