GPT-4o引爆多模态生图革命，用嘴改图掀颠覆性浪潮，效果直逼专业创作！

，人工智能领域迎来重大突破，OpenAI发布支持多模态交互的GPT-4o模型，其"用嘴改图"的实时图像生成与编辑功能引发行业震动，用户仅需通过自然语言指令，即可在几秒内实现精准抠图、风格切换、细节优化等复杂操作，彻底颠覆传统修图软件的工作流程，该技术深度融合文本语义理解与视觉生成，通过强化扫描定位与深度神经网络，攻克了多模态维度匹配难题，使图像修改如对话般直接流畅，测试视频显示，模型可细腻驾驭油画、动漫等多元风格，光影效果逼真，甚至能理解"残夏余晖""未来机械"等抽象概念进行艺术创作，业内专家认为，该功能将大幅降低创意设计门槛，广告、影视等领域或成核心应用场景，尽管目前仅支持英文交互且高清输出存在延迟，但其"零基础操作+秒级响应"的优势已对PS等专业工具形成冲击，随着中文版本迭代优化，行业或将面临效率革命与职业生态重构的双重挑战。

谷歌刚更新了多模态，大家体会到了用嘴改图的快乐，火了一波，现在OpenAI紧跟其后，现在也更新出了同样的功能。

这其实，体现出了大家对新的交互模式探索的成果，因为有了非常良好的用户反馈，大家对多模态还是有非常高的期待的！

现在，GPT-4o 将自行完成所有工作，而 DALL·E 3 将会消失。

GPT-4o在图像生成方面到底有哪些优越的表现：

1、文本渲染能力

这是我最关注的一个能力，字体、字号、位置、排版全面可控，从官网给的案例来说，控制的可以说是，非常精确了，图片中的文字，与提示词是完全一致的，并且包括整体的构图。

我专门把提示词改成了中文，想尝试，中文的字体看能否很好的展示出来，效果大家评价吧，我感觉基本看不出来什么瑕疵，光从构图与文本展示，已经很完美了。

这个谷歌就暂时做不到，它还没有办法很好的输出中文字体。

但是最好不要在很小的尺寸生成很密集的文本。

2、语义精准理解

多对象、多关系结构控制，OpenAI 表示，GPT-4o 可以在图像中准确创建多达 20 个不同的物体，而其他系统则很难创建约 5-8 个物体。

这个确实是，物体越多，模型的幻觉就会越大，这是现在的常态。

这个效果真是没话说...插画质量很高，排序完全正确，风格也比较统一，文本全对，没有任何幻觉的产生！

说心里话，感觉效果是比谷歌要好的，感兴趣可以看一下上篇测评～

AI绘画新交互｜用嘴改图的时代来了！Gemini 2.0多模态生图功能终于开放啦！

3.上下文连续性

对话过程中自动继承角色风格/前图内容，可以根据上下文内容，去提问，修改图像。可以尝试看看，读取上下文的准确度如何。

经过我们的提示，让他修改的图片中的1个图形，也能精准地识别到进行修改。

多轮修改也是一点问题没有

4、图像写实风格控制

可生成新闻照片、真人摄影感图像，我这里专门拿了一张成龙大哥的国画肖像，没有任何提示说，这是成龙大哥，让他生成摄影照片，这也太逼真了！效果是真的不错！

发型，服装，也都跟国画里的一模一样！

再来一张爽一下，换个画风看看，看看高清版鲁迅！

5、跨模态推理能力

上传图片内容可用于引导图像风格与生成结果，也就是说相当于垫图了。

我感觉主要的点就是文本能够精准投放，语意理解得倒很大提升

我们就能够明显感觉到，控制图片的精度提高了非常多，并且玩法也非常丰富了！

比如玩个四格漫画：制作一张七龙珠与海贼王格斗的四格漫画

设计一张卡片/海报

给产品做一张宣传图

不满意随时改，你就是老板！

参考：

https://www.thurrott.com/a-i/318918/chatgpt-now-supports-image-generation-with-gpt-4o

https://www.investing.com/news/company-news/openai-unveils-gpt4o-for-precise-photorealistic-image-generation-3947625

https://decrypt.co/311563/openai-launches-gpt-4os-new-image-generation-into-chatgpt-showing-unbelievably-better-results

https://openai.com/index/introducing-4o-image-generation/

本文链接：https://www.daichong.cc/gpt4_gpt5_1292.html

多模态生图语音改图