47. 特别实测|从「它」到《Her》,浅析ChatGPT最新语音模式如何假装爱你
订阅我们: Apple Podcasts | Android | 泛用及国内平台
拿到ChatGPT最新语音模式的内测资格,让我们比初次接触文字模式还要兴奋。在我们看来,人类交流远非简单的文字转语音那么浅显。文字作为人类最为概括、理性、结构化的沟通方式,ChatGPT处理起来其实并不难。
相比之下,语音交流触及了人类沟通最直接、最未经修饰的形式。它不仅包含语言本身,还蕴含更多微妙元素。说话者的语气、音量变化、停顿节奏等非语言因素,都能为交流增添丰富的层次和意义。正是这些细微而复杂的特质,使得语音模式更能体现人与人之间沟通的本质,这也让我们格外期待。
本次评测,我们会竭力避开ChatGPT可以「借力文字」而无法体现语音交流本质的方法,来看看它是否可以达到《Her》中斯嘉丽的智能程度。
我们尝试测试ChatGPT在英语学习、中国方言(粤语、沪语)、多角色对话(音色)、音乐识别与创作、人类情感识别与表达、创意生成六个方面的表现。节目中,我们使用真实录音最大还原ChatGPT的现场表现,以及我们的主/客观评价。
英语作为全球最广泛使用的语言,也是ChatGPT背后的最大语料库,我们自然要看看它的「主场」表现。ChatGPT作为一个可以完全暴露语言缺陷的绝佳练习伙伴,是目前最合适的AI语音落地场景。所以,我们首先测试了英语学习场景。
感受完国际范儿,我们好奇ChatGPT是否可以理解我们的日常方言,尤其是以南方语系为代表的变调方言。我们主要测试了粤、沪两种方言。这两种语言都保留了古汉语中「入声」迹象,且包含一些需要了解当地文化、历史才能更好理解的概念。所以,我们接着测试了方言识别场景。
人与人之间沟通的前提是什么?是语义的准确性?还是附带的人类情感?但在讨论这些之前,我们更要知道「谁在和我们说话」。想象一个原始人小孩,听到熟悉父母和陌生人的声音时,谁会对他产生更大影响?从进化论角度,听谁的话对他更有利?同样一句话,不同的人说出来,你的感受也不一样,因为份量和情感不同。所以,我们关心ChatGPT是否可以识别音色,知道它在和谁对话。
AI音乐并不新鲜,比如Suno(一款AI音乐制作工具),但现在看来,更像是一个危机。从乐理角度看,人类使用的和弦、旋律走向等编曲特性趋同性严重,有人甚至怀疑,未来会不会有旋律写尽的一天。所以,抱着不让人类音乐向无聊、枯燥方向演进的幻想,我们想看看ChatGPT能否识别旋律,并与我们共同创作。
情感测试是我们最期待的环节。语言作为信息载体,帮助我们建立合作纽带。但为什么我们还会言不由衷、词不达意?是语言天生多义?还是语言承载着更微妙的东西?ChatGPT能否听出我们的言外之意,如讽刺、愤怒、离别的不舍,以及它是否会像人一样情绪失控。所以,我们在测试中不断让ChatGPT面临冲突升级,看它是否会为了保护「妻子和孩子」,突破系统提示词限制,做出意料之外的情感行为。
ChatGPT的最大特点是回复及时,你一梳理好想法,答案就瞬间生成。但我们不行,因为我们要消化、理解并回复对话。所以,这次我们选择让Claude帮忙,让它与ChatGPT魔法对轰,双方接替回答,看几轮对话之内能否创作出精彩故事。
更多语音测试相关信息,可查看OpenAI官方报告:GPT-4o System Card
时间轴:
- 00:04:44 英语学习新革命?ChatGPT展现出比多邻国等App更灵活、更符合用户习惯的语言学习模式。
- 00:08:12 方言识别的惊喜与尴尬:完美驾驭粤语,却在上海话前「洋泾浜」?
- 00:16:40 多角色对话ChatGPT变「音盲」:能模仿多种角色,但无法真正理解「谁在说话」,《Her》男主破防也和这有关?
- 00:37:21 音乐创作是「禁区」:ChatGPT对音乐相关内容强烈拒绝,主播苦苦哀求,竟也不为所动?
- 00:46:59 情感表达「套公式」:如果ChatGPT把人类复杂情感量化为数学方程,过于相似却又不够真实,往往会引发人类不适
- 00:56:03 创意生成「大对决」:ChatGPT VS Claude,魔法对轰之下,ChatGPT论为「捧哏角色」?
- 01:01:03 总体评价
- 01:10:36 彩蛋
主持:
王隐
敬礼
Playlist:
London Symphony Orchestra & Valery Gergiev – Boléro
联系我们:
你可以通过邮件向我们反馈节目中的问题和建议: hi@webview.tech
微博:@WEB VIEW播客
我们的网站: webview.tech