OpenAI突然推送高級語音模式，又搶了Google風頭
9月25日早，Google發佈兩款新模型Gemini-1.5-Pro-002和Gemini-1.5-Flash-002。
在Google的系列模型中，Gemini Pro屬於中號模型，付費用戶可以使用。而Gemini Flash則由Gemini Pro蒸餾而來，在今年5月的Google I/O上第一次亮相，目前用戶可以免費在Gemini中使用，開發者也有一定免費的API使用配額。
模型升級的重點主要為1.5 Pro價格降低>50%、1.5 Flash的速率限制提高了2倍，1.5 Pro的速率限制提高了約3倍、輸出速度提高2倍，延遲降低3倍；過濾器切換為選擇加入。
不過，似乎Google今天的宣傳節點再一次被OpenAI提前知曉。OpenAI同日宣佈，OpenAI的高級語音模式，將今日起開始對Plus和Team用戶推出。
5月，Google發佈Gemini模型的大更新前，OpenAI就曾提前搶開發佈會，宣佈很快會帶來高級語音模式，登上媒體頭條「個人助理Her就要來了嗎？」
接下來半年，高級語音模式的發佈一再推遲，直至今日Google更新模型，OpenAI立刻表示，本週內將推出語音模型。
除了之前已經劇透過的語音模式與人類在對話中的反應時間相近、會變換語調之外，還增加了個性化指令功能——可以直接指令模型說話說慢點，或者用一個特定的口音，同時可以記住你的名字和提前提供的信息給出更個性化的回覆。
X上有用戶不禁感歎，OpenAI已經養成了一個新愛好。等著Google發佈一個更新，幾個小時後馬上發佈一個更新。
Google Gemini Pro價格下降一半
從Gemini-1.5-Pro-002和Gemini-1.5-Flash-002的名字也可以看出，此次Google Gemini的更新，不是一個大版本的更新，更多的是一次整體模型的升級。
降低價格是一個重要的更新重點。
Gemini 1.5 Pro的輸入token價格降低64%，輸出token價格降低52%，增量緩存token價格降低64%，適用於小於128K token的提示語，自2024年10月1日起生效。再加上上下文緩存，這將繼續降低使用Gemini構建應用的成本。
此外，1.5 Flash的速率限制從1000 RPM提高到2000 RPM，1.5 Pro的速率限制從360 RPM提高到1000 RPM。在接下來的幾週內生效。
Google 1.5 Flash得到了2倍輸出速度和3倍更低延遲。
同時，Google表示，發佈的Gemini模型，預設不會有應用過濾器，開發者可以根據其用例自行決定最佳的配置。Gemini將繼續提供一系列安全過濾器，開發者可以根據需要為Google的模型應用這些過濾器。
Google還表示，此次模型在數學、長上下文窗口和視覺方面取得了一定的進步。
在更具挑戰性的MMLU-Pro基準測試中，看到大約7%的性能提升。而在數學和HiddenMath（一個內部保留的數學競賽問題集）基準測試中，兩個模型都取得了約20%的顯著進步。對於視覺和代碼使用場景，兩個模型在評估視覺理解和Python代碼生成的測試中表現也更好，提升範圍在約2—7%之間。
8月份發佈的Gemini-1.5-Flash-8B實驗模型也得到了新的更新。
Gemini模型本身的亮點包括長上下文和多模態功能。由於Gemini Flash對開發者有部分免費額度，新更新可能對於開發某些應用有著很好的效果。
X上的AshutoshSrivastava就表示，他使用Google Flash構建了一個應用，能夠在1分鐘內轉寫13分鐘的長音頻，且準確度很高（且免費）。在另一個應用中，他表示目標探測功能的表現也很不錯。
OpenAI高級語音功能今日起推出
轉頭看OpenAI這邊。
淩晨兩點，OpenAI宣佈高級語音模式今日起開始向訂閱用戶推出，周內會全量進行推送。
根據OpenAI的宣傳片，與標準語音模式進行區分（黑色旋轉球），高級語音將以藍色旋轉球表示，並增加5個新語音。
此次發佈的一個重要亮點是，OpenAI表示，高級語音模式可以提供個性化定義。
在影片中，OpenAI的研究員表示，用戶可以自定義指令，以讓模型以某種口音發音、記住事件以及用戶想要如何被稱呼等。
「你可以讓模型用特定的語速說話，也許是非常清晰地發音，慢慢地說話，用你的名字或你喜歡的稱呼來稱呼你。」研究員表示。
另一位研究員提供了一個例子，對模型輸入名字和所在城市，在向模型尋求週末的計劃時，模型會根據所在城市，進行更個性化的規劃。
高級語音對話目前僅適用於ChatGPT Plus和Team帳戶的用戶。免費用戶仍然可以訪問標準語音模式。
不過，Plus和Team用戶每天仍然有高級語音的使用限制，並且每日限制可能會發生變化。當一天的高級語音還剩15分鐘時，OpenAI會向用戶發出通知。
同時，使用高級語音模式無法使用GPTs，即用戶設計的OpenAI的智能體。
高級語音模式因為對語音反應時間更敏感，在某些嘈雜的場景下，也更容易被打斷。
最後，OpenAI還用高級語音模式搞了一個活，表示ChatGPT目前可以用五十多種語言表示「對不起，我遲到了，我不是故意讓你等這麼久的。」
一起來聽聽中文的效果。
一個很有趣的點是，此次Gemini的發佈，是由Google的Logan Kilpatrick主要負責對外溝通交流。
而Logan Kilpatrick，正是OpenAI前開發者關係負責人。2024年跳槽Google。
而轉頭，此次Google發佈新模型，OpenAI就卡點發佈高級語音模式。
OpenAI此次宣佈的時間點或許還有另外一個意義——此前外媒報導稱，Meta公司本週將在Meta AI中推知名人語調的音頻對話功能。
在矽谷，AI的戰爭還在熱火朝天的繼續。
本文來自微信公眾號：極客公園 （ID：geekpark），作者：Li Yuan
