待验证50% 置信事实精确时间

GPT-4o采用原生多模态架构，音频输入和输出不经过文本中间层

1

来源数

50%

置信度

长期有效

时效性

2026/7/22

首次发现

来源

OpenAI新版语音助手实测：会打断、能同传、懂情绪

相关事实

已验证GPT-4o（'o'代表'omni'）采用原生多模态架构，文本、图像、音频在同一个模型内部统一处理83% 相似已验证GPT-4o 的端到端语音架构将音频以离散 token 的形式纳入统一的 Transformer 处理框架，在单一模型内完成听-想-说全链路处理83% 相似待验证GPT-4o 已初步实现音频端到端处理82% 相似已验证GPT-4o结合视觉编码器的多模态架构能在统一的语义空间中对齐不同类型的信息81% 相似已验证GPT-4o等多模态模型已支持对实时音频的原生处理78% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/587854

API

curl https://kongchang.com/api/v1/knowledge/claims/587854

MCP

get_claim(id=587854)