用 GPT-4o 在 ChatGPT 中完成文本、图像与音频的多模态对话

GPT-4o 是 OpenAI 推出的多模态大语言模型，名称中的「o」代表 omni（全能）。它既能接收文本、音频、图像，也能接收这几种形式的组合输入，并输出文本、音频或图像。对普通用户来说，最直接的用法是在 ChatGPT 网页端或客户端里切换到 GPT-4o，然后用一个对话框完成写作、问答、看图、语音对话等任务。这篇教程面向第一次接触 GPT-4o 的读者，讲清楚怎么进入、怎么确认模型已经生效、怎么组织多模态输入，以及免费版与付费版在额度上的差别。如果你更关心模型本身的能力边界与调用方式，可以先看 GPT-4o 的工具条目，再回到本文按步骤操作。

准备工作

开始之前需要确认几件事，它们决定了你能不能顺利看到并使用 GPT-4o。

一个 OpenAI 账号：访问 ChatGPT 需要先登录。没有账号的要先注册，注册流程与地区可用性以官网当前信息为准。
可用的网络环境：ChatGPT 的网页端与客户端在部分国家和地区不可用，能否访问取决于你所在地区的实际情况，这一点以官网当前公布的可用地区为准。
浏览器：建议使用较新版本的 Chrome、Edge、Safari 或 Firefox，旧版浏览器可能出现页面元素加载不全、模型下拉框点不开的问题。
是否订阅：免费账号也能使用 GPT-4o，但存在使用次数限制；付费订阅（如 ChatGPT Plus）享有更高的容量与调用额度。具体倍数、次数与价格会调整，请以官网当前信息为准。
输入素材：如果要测试图像或音频能力，提前准备好本地图片、截图或录音文件，避免在对话中途再去找文件打断思路。

不需要安装任何额外软件，也不需要 API Key——本文讲的是 ChatGPT 对话界面里的使用方式，不是接口调用。如果你打算通过 API 集成，那是另一套流程，涉及密钥、计费与请求参数，不在本文范围内。

操作步骤

第一步：登录 ChatGPT

在浏览器中打开 ChatGPT 的聊天页面并登录你的账号。登录后进入的是一个空白对话窗口，顶部或侧边栏会显示当前使用的模型名称。

如果页面没有自动提示新模型，可以在地址栏的网址后面追加查询参数，强制指定模型：

?model=gpt-4o

也就是把完整地址写成「聊天页地址 + ?model=gpt-4o」的形式，然后按回车重新加载。注意如果原地址里已经带有其他查询参数，需要用 & 而不是 ? 来连接，否则参数不会生效。

第二步：确认模型已经切换

页面重新加载后，观察模型选择器。如果原本显示的是 GPT-3.5 之类的旧名称，而现在变成了 ChatGPT 或直接显示 GPT-4o，说明切换成功。你也可以主动在聊天窗口顶部点开模型下拉菜单，在列表中选择 GPT-4o 进行确认。

确认之后，建议先发一条最简单的文本消息，例如让它自我介绍或回答一个常识问题，看回复是否正常返回。这一步是为了排除「模型显示已切换但请求失败」的情况。

第三步：用文本提问

文本是最基础的输入形式。在输入框中直接输入问题并发送即可。与早期模型相比，GPT-4o 在理解复杂语言结构、维持长上下文连贯性方面更强，因此可以把背景信息、约束条件、期望的输出格式一次性写清楚，而不是拆成很多轮短问句。

一个实用的写法是把任务拆成三段：

角色与目标：说明你希望它扮演什么角色、最终要产出什么。
输入材料：把需要处理的原文、数据或要点贴进来。
输出要求：规定长度、格式、语气，以及不要做什么。

第四步：上传图像进行视觉问答

GPT-4o 支持图像输入。在输入框旁找到附件或图片上传入口，选择本地图片上传，然后在同一条消息里写清楚你想让它对图片做什么，例如描述画面内容、提取图中的文字、解释图表趋势、指出截图里的报错信息。

只上传图片而不写指令，模型往往给出泛泛的描述。把问题写具体，结果会明显更好。例如不要只写「看看这张图」，而是写「这张截图里是哪个环节报错，可能的原因是什么，给出排查顺序」。

第五步：使用语音与音频输入

GPT-4o 的另一项能力是音频输入与输出。在支持语音的客户端中，可以开启语音对话模式，直接说话提问，模型以语音回应。素材提到它在演示中能对音频输入做出接近人类对话节奏的快速反应，并具备多语言处理能力，可处理约 50 种语言。

语音模式是否可用、在哪些平台可用，取决于你使用的客户端版本与所在地区，具体以官网当前信息为准。如果客户端里找不到语音入口，说明该功能尚未对你开放，不必反复尝试。

第六步：组合多种输入

GPT-4o 的特点是能接受不同形式的组合输入。实际使用中可以把图片和文字放在同一条消息里，也可以先发一段文字背景，再补充一张图，让模型结合两者回答。组合输入的价值在于减少来回澄清：一张图加一句明确的问题，通常比纯文字描述场景更准确。

一个完整示例

下面用一个从零开始的场景，把上面的步骤串起来：假设你收到一张数据看板的截图，需要让 GPT-4o 帮你解读并给出改进建议。

登录并切换模型：打开 ChatGPT 聊天页，登录账号；若未自动切换到新模型，在地址后追加 ?model=gpt-4o 并回车，确认模型选择器显示 GPT-4o。
发送背景文字：先发一条消息说明背景，例如「我负责一个电商后台的数据看板，下面这张截图是本周的转化漏斗，请帮我找出异常环节」。这一步让模型先建立上下文。
上传截图并提问：在同一条消息或下一条消息中上传截图，并补充具体要求：「请逐层列出漏斗各环节的数值与环比变化，指出下降最明显的环节，并给出三条可执行的排查方向，用表格呈现」。
检查输出并追问：如果模型给出的表格缺少某一列，直接指出「表格补上环比变化百分比一列」，它会基于同一段上下文继续修正，不需要重新上传图片。
可选：语音追问：在支持语音的客户端中开启语音模式，用口语继续追问细节，例如让它把排查方向按优先级排序。

整个过程不需要写代码，也不需要配置任何参数。关键在于把「背景 + 素材 + 输出格式」三件事说清楚，这样一次提问就能拿到接近可直接使用的结果。

GPT-4o 与 GPT-3.5、GPT-4 的差别

理解三者的定位差异，有助于判断什么时候该切换模型。

模型	输入输出能力	典型定位
GPT-3.5	以文本输入输出为主	轻量问答、翻译、日常文本生成，通常作为免费基础版本
GPT-4	支持文本与图像等多模态输入，语言理解与生成能力更强	复杂推理、长文本处理，一般需要订阅付费版本
GPT-4o	可接受文本、音频、图像的组合输入，并生成文本、音频或图像输出	需要跨看、听、说多种形式协作的任务，免费与付费用户均可使用，额度不同

简单说，GPT-3.5 偏纯文本，GPT-4 在文本与图像上更强，GPT-4o 则把音频也纳入输入输出，并且响应速度更快。三者并非互相替代关系，在 ChatGPT 中通常可以按需切换。

注意事项

免费版有次数限制：免费账号可以使用 GPT-4o，但存在使用次数上限；付费订阅用户享有更高的调用额度。具体次数、倍数与价格会随官方调整变化，请以官网当前信息为准。
强制切换参数不是永久设置：通过网址追加 ?model=gpt-4o 只是让当前页面加载指定模型，换设备、清缓存或重新进入时可能需要重新操作，也可能在模型选择器里手动切换即可。
功能分批开放：文本与图像能力通常先开放，音频等能力可能分阶段、分地区、分客户端推出。看不到某个入口属于正常情况，以官网当前公布的开放范围为准。
不要上传敏感信息：对话内容会发送到服务端处理。涉及个人身份信息、密钥、未公开的商业数据时，先做脱敏再上传。
图像识别并非绝对准确：对模糊截图、手写文字、密集表格，模型可能读错数字或漏行。涉及金额、统计口径等关键数据时，务必人工复核。
模型名称与版本会更新：模型列表、可用性、配额与计费方式都可能变化，本文描述的操作路径以界面实际显示为准，遇到不一致时以官网当前信息为准。