写作现场：2024 年 5 月 13 日。 GPT-4o 的关键变化不是单一 benchmark，而是将文本、音频和视觉放入同一端到端模型，并把音频响应延迟压到接近日常对话的范围。与仍处于研究预览的 Sora 放在一起看，生成式 AI 正从“返回离散内容”转向“持续参与带时间和感官信息的交互”。

端到端多模态与交互延迟

此前 ChatGPT Voice Mode 主要由三段模型串联：语音识别将音频转成文本，语言模型处理文本，语音合成再生成声音。中间文本会丢失声调、多人说话、背景声和情绪等信息，每一段也增加排队与推理延迟。

GPT-4o 以单一模型端到端处理文本、视觉和音频输入，并生成文本、音频与图像。官方公布的音频响应为最快 232 ms、平均 320 ms；这是项目方指标，不是独立测量。技术意义在于模型可以直接利用音频特征，而不是只读取转写文本。

低延迟改变的是控制回路。用户可以在模型发言中途打断、立即纠正目标，模型也可以结合摄像头画面继续对话。传统 request-response 接口主要优化单次回答质量；实时接口还必须处理 turn detection、barge-in、噪声、多说话人、取消传播和部分输出回收。

延迟降低不等于理解更可靠。相反，语气、停顿和及时回应会增加社会临场感，使用户更容易把连贯表达当作事实可信度。系统需要同步暴露录音状态、摄像头状态、数据保留策略和不确定性，而不能只优化拟人化程度。

生成媒体的连续性与验证问题

Sora 将同一变化扩展到视频。模型根据文字生成最长一分钟的连续画面，但公开样例仍可见物体变形、物理关系错误和角色一致性丢失。它在 2024 年 2 月作为研究预览公布，到本文日期仍不是成熟公众产品。

视频生成的难点不只是逐帧清晰度，而是时间一致性：对象身份要跨镜头稳定，动作要满足因果和物理约束，摄像机运动还要与场景几何一致。画面越逼真，局部错误越可能被整体观感掩盖。

GPT-4o 与 Sora 共同扩大了输入和输出的证据复杂度。文本回答可以逐句引用；语音与视频需要时间戳、来源标记、编辑记录和生成内容标识。教育、辅助技术、客服与内容生产会获得更低的交互成本，同时也承担更高的录制隐私、合成媒体和身份误认风险。

当天可以判断的是接口方向，而不是部署效果。文本与图像能力先进入 ChatGPT，新的实时语音模式仍按计划分阶段开放；Sora 保持研究预览。任何关于稳定性、滥用规模或长期市场结构的结论，都不能从演示直接推出。

时间边界与来源

信息边界：本文停在 2024 年 5 月 13 日。Sora 此时仍是研究预览，GPT-4o 的实时语音能力也尚未全面开放；不借用之后的定价、上线范围或使用反馈。