“能听会说”的多模态大模型加速落地 AI应用场景迎来爆发

AI大模型热潮从2024年延续到了2025年，人与 AI 的实时音视频互动正在走进现实。 自GPT-4o发布以来，实时多模态成为国内外大模型厂商发力的新方向，早在2024年5月，OpenAI发布GPT-4o时就已开始深度探索端到端的实时多模态大模型能力。微软 AI CEO Mustafa Suleyman近期表示，2024年年底，微软的AI会拥有实时的语音界面，允许完全动态的交互。 GPT-4o支持实时语音对话，一方面得益于自身大模型能力的进化，大模型能直接处理语音，这与传统的三步骤处理方法（...