OpenAI's ChatGPT 即将推出一系列变革性的新功能，重新定义用户交互。

在一个9 月 25 日通过其官方博客发布公告 OpenAI 揭示了其即将推出的增强功能，这些功能将使用户能够通过图像和语音识别等动态媒介与 ChatGPT 进行互动。

此次升级的亮点之一是用户可以通过语音指令与 ChatGPT 互动，从而带来更加个性化和身临其境的用户体验。

该功能的强大之处在于文本到语音模型，该模型善于根据由专业配音演员制作的最小语音样本生成音频。

值得注意的是，OpenAI'的开源语音识别系统--Whisper--在支持这一创新语音界面方面发挥了不可或缺的作用。

这些语音功能的潜在应用多种多样，非常有趣。

用户可以预见，从阅读睡前故事、制作食谱到撰写演讲稿、朗诵诗歌、阐释常用短语，甚至仲裁餐桌辩论等，都会有更广泛的使用场景；

OpenAI' 的愿景非常明确：加强和丰富个人在日常生活中与技术互动的方式。

此外，OpenAI 正准备赋予用户向 ChatGPT 提交图像以进行解读和回复的能力，或选择性地突出图像中的特定元素以进行详细探索的能力。

据该公司称

"语音和图像为您在生活中使用 ChatGPT 提供了更多方式。在旅行途中拍一张地标性建筑的照片，然后就它的有趣之处进行实时对话；

这些新增功能被 OpenAI 称为 GPT Vision 或 GPT-V，与理论上的 GPT-5 有所区别，但仍是向前迈出的一大步。

这些要素构成了GPT-4 多模式增强版 这与OpenAI'今年早些时候关于其技术发展的预告相吻合。

这一重大升级紧接着 OpenAI'DALL-E 3 的发布，DALL-E 3 是一款文本到图像生成器，其卓越的质量和精确度赢得了早期测试者的赞誉。

在一次引人入胜的融合中，《DALL-E 3》在 ChatGPT Plus 中找到了自己的位置，ChatGPT Plus 是以 GPT-4 为基础的订阅服务。

DALL-E 3与对话式语音聊天的结合标志着OpenAI'坚定不移地致力于推动人工智能助手的发展，使其能够像人类认知一样感知世界，利用多种感官提升用户体验。

涉及视觉和语音生成的多模态人工智能系统是否存在风险？

然而，OpenAI 对增强包含视觉和语音生成的多模态人工智能系统的能力所固有的潜在危险保持警惕。

相关的担忧围绕着冒名顶替的风险、潜伏的偏见幽灵以及对视觉解读的复杂依赖。

该公司在公告中称

"OpenAI的目标是构建安全、有益的人工智能。我们相信，逐步提供我们的工具，可以让我们随着时间的推移不断改进和完善风险缓解措施，同时也让大家为未来更强大的系统做好准备；

作为一项战略举措，OpenAI 已为这些创新功能制定了推广计划。

在不久的将来，Plus 和 Enterprise 用户将在未来两周内获准使用这些功能。

此外，OpenAI 还打算在后续阶段向更广泛的开发者社区推广这种访问权。