OpenAI presenta su nuevo modelo GPT-4o («o» de «omni») que representa un avance significativo en la interacción humano-computadora, aceptando y generando combinaciones de texto, audio e imagen. Este modelo responde a entradas de audio en tiempos comparables a la respuesta humana, y ofrece mejoras en el procesamiento de textos no ingleses, siendo más rápido y económico.
Anteriormente, el Modo Voz implicaba varios modelos para transcribir y responder, lo que limitaba la capacidad de entender tonos o ruidos de fondo y de generar respuestas emocionales. GPT-4o unifica todas estas funciones en un solo modelo que maneja texto, visión y audio de forma integrada, explorando así nuevas capacidades y sus limitaciones.
Desde el punto de vista de la seguridad, se han incorporado técnicas de filtrado y refinamiento, además de sistemas de seguridad adicionales para las salidas de voz. La evaluación del modelo no ha mostrado riesgos superiores a medio en áreas como ciberseguridad y persuasión. También se ha sometido a pruebas externas para evaluar los riesgos adicionales que conllevan las nuevas modalidades.
GPT-4o se está implementando gradualmente, comenzando con capacidades de texto e imagen en ChatGPT, y pronto se expandirá a audio y video. Las mejoras de eficiencia permiten una mayor disponibilidad del modelo, con mejor accesibilidad en la API y próximas actualizaciones para el Modo Voz.
Este modelo es parte de un esfuerzo continuo para mejorar la usabilidad práctica y la seguridad en la interacción con modelos de inteligencia artificial avanzada.