GPT-4o（“o”意为“omni”）是朝着更自然的人机交互迈出的一步——它接受文本、音频、图像和视频的任何组合作为输入，并生成文本、音频和图像输出的任何组合。 这绝对是向真正的人机交互迈出了重要一步