传媒：GPT-4o发布，关注强交互场景落地

1 行业报告│行业点评研究 请务必阅读报告末页的重要声明 传媒 GPT-4o 发布，关注强交互场景落地 ➢ 行业事件： 北京时间 5 月 14 日凌晨，美国人工智能公司 OpenAI 发布新一代旗舰生成模型 GPT-4o、桌面 App，并重点展示了突破性的语音交互能力。 ➢ GPT-4o 交互能力实现突破，“拟人化”程度进一步提升 从产品效果来看，GPT-4o 在实时语音交互领域实现突破性进展，为用户提供更为自然、准确的交互体验：1）用户可以随时打断模型，而不需要等到其结束才开始说话，交互更加符合人类交互逻辑；2）实时响应能力大幅提升，模型具有实时响应的能力，不会出现用户长时间等待模型给出响应的尴尬情况；3）模型具有情绪感知能力，能够生成不同情绪风格的语音，交互更加拟人。基于 GPT-4o 强大的交互能力，发布会中展示了丰富的应用场景，包括声情并茂地讲情感故事、实时视频对话、实时音频翻译等。从技术层面看，GPT-4o 采用了全新技术，所有的输入和输出都由同一个神经网络处理，从而实现文本、视觉和音频端到端的训练。 ➢ AI C 端应用有望加速落地，重点关注社交、游戏、教育领域 2024 年以来，多模态能力成为生成式 AI 的重点攻坚方向，而 OpenAI 作为头部企业，在技术和产品层面持续引领行业发展。2024 年 2 月 OpenAI 发布 Sora 以来，海内外视频生成类应用加速落地。我们认为此次 GPT-4o 的发布，亦有望助推语音交互类 AI 应用的落地进程，其中在社交、游戏、教育领域有望率先落地。 1）社交：目前，AI+社交产品形态多以“用户-AI 智能体”交互为主，用户通过与个性化 AI 虚拟人的交互过程，获得陪伴感与情绪价值。从产品数据来看，海外头部产品 Character.AI 月活达千万级别，国内 Minimax 旗下“星野”增势显著。从落地门槛来看，陪伴类场景的任务简单、容错率高，因此成为最快落地的 AI C 端应用场景。从用户需求来看，AI 智能体“更像人”是 AI 社交用户的核心需求。GPT-4o 发布后，有望从多模态（从文字交互到语音交互）、拟人化（更准确识别用户的情绪和需求）等方面大幅提升用户体验，从而推动 AI 社交类产品进一步破圈、提升商业化能力。 2）游戏：AI 在游戏研发流程中落地较快，目前核心关注游戏玩法的创新。其中 AI+NPC 已在网易《逆水寒》等产品中落地，但仅限于文字类交互，与核心玩法的结合也较为有限。随着 GPT-4o 引领交互方式变革，游戏内 NPC有望与用户实现实时的语音交互、拟人化程度有望进一步提升，大幅提升用户的沉浸感，进而提升活跃度及付费意愿。 3）教育：此前，海外多邻国等已将生成式 AI 运用于口语练习等场景中，助推 2023Q4 付费用户同比增长 57%。GPT-4o 落地后有望使“AI 教师”更为拟人，进一步提升教学、培训效率和用户体验。 ➢ 投资建议 随着海外 AI 模型能力加速演进，以及国内模型能力的持续追赶，2024 年以来国内 AI C 端应用落地进程显著加速，有望孵化 AI 原生的“杀手级应用”。建议关注：1）AI C 端应用落地较快的昆仑万维、盛天网络；2）估值低位、业绩较优的游戏标的恺英网络、巨人网络。 风险提示：技术发展不及预期，AI 应用落地不及预期，政策监管风险。 证券研究报告 2024 年 05 月 14 日 投资建议： 强于大市（维持） 上次建议： 强于大市 相对大盘走势 作者 分析师：丁子然 执业证书编号：S0590523080003 邮箱：dingzr@glsc.com.cn 联系人：周砺灵 邮箱：zhoull@glsc.com.cn 相关报告 1、《传媒：传媒互联网 2023 业绩&2024Q1 基金持仓点评：供需提振驱动景气度向上，配置比例小幅回升》2024.05.05 2、《传媒：电影行业跟踪：多元化内容撬动需求，关注电影院线复苏》2024.04.21 -40%-20%0%20%2023/52023/92024/12024/5传媒沪深300请务必阅读报告末页的重要声明 2 行业报告│行业点评研究 1. GPT-4o 交互能力全面提升 GPT-4o 性能大幅提升，可实现更加的自然人机交互。GPT-4o 采用了全新的语音交互技术，具有强大的交互能力，能够接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出。同时，GPT-4o 的响应速度显著提升，实现更加自然流畅的交流。 1.1 GPT-4o 性能全面提升 全新技术助力性能大幅提升。GPT-4o 推理能力、多模态能力等显著提升，语音对话响应更加流畅。GPT-4o 采用了全新技术，所有的输入和输出都由同一个神经网络处理，从而实现文本、视觉和音频端到端的训练。在 GPT-4o 之前，ChatGPT 语音模式由三个独立模型组成，首先通过语音转文本模型将语音内容转成文字，然后转成的文字输入给 GPT3.5/GPT-4 模型进行内容生成，最后再通过文本转语音模型将GPT3.5/GPT-4 生成的内容转成语音输出。这种多模型级联的方式导致整个交互体验非常差，整个系统延迟达 2.8 秒（GPT-3.5）和 5.4 秒（GPT-4），而且这种多模型级联方式导致大量信息丢失，无法感受到音调、多个说话者，输出也比较枯燥且无法表达情感。基于端到端神经网络的 GPT-4o 能力大幅提升，不仅反应快、回答准，还能按要求改变说话语气，实时语音翻译能力也非常自然流畅。同时视觉能力显著优化，可以实现实时视频交互，能通过人的表情和语调理解并判断出人的情绪。GPT-4o 可以在 232 毫秒的时间内响应音频输入，平均响应时长为 320 毫秒，几乎与人类相似。 推理能力：GPT-4o 在 MMLU、GPQA、MATH、HumanEval 等测试基准上均超越 GPT-4 Turbo、Claude 3 Opusn、Gemini Pro1.5 等模型，在测试中均获得最高分。GPT-4o 在 0-shot COT MMLU（一般知识问题）中取得 88.7 的高分，在传统的 5-shot no-COT MMLU 上，取得 87.2 的高分。 请务必阅读报告末页的重要声明 3 行业报告│行业点评研究 图表1：GPT-4o 推理能力对比 资料来源：OpenAI 官网，国联证券研究所 音频能力：在语音识别性能方面，GPT-4o 相比 Whisper-v3 在所有语言的语音识别性能上均大幅提高，尤其是资源较少的语言。GPT-4o 在音频翻译方面也树立了行业新标杆，在 MLS 基准测试中优于 Whisper-v3 以及 Meta、谷歌的语音模型。 图表2：GPT-4o 与 Whisper 音频能力对比 图表3：OpenAI、Meta 和 Google 音频翻译能力对比 资料来源：智东西，国联证券研究所 资料来源：智东西，国联证券研究所 文本和代码能力：GPT-4o 在英文文本和代码上的性能与 GPT-4 Turbo 的性能相近，但在非英文文本上的性能显著提升，同时 API 的速度也更快，成本降低了