用 GPT-4 实测：博主复现 Google 涉嫌剪辑造假的 Gemini 演示

Greg Technology 开源的这套 ChatGPT Video 工具，能把你的摄像头画面和语音实时接入 OpenAI 的 GPT-4V，在本地电脑上实现端到端的多模态视频互动。

它的初衷是为了验证 Google 在宣传片里演示的场景究竟能不能成真。此前 Google 发布的 Gemini Ultra 演示视频展现了极其流畅的实时视觉反馈，但随后被证实是用静态截屏拼接、放慢处理并后期配音合成的宣传素材。Greg Technology 做出的这套工具，就是用现有的 GPT-4V 接口，把这套原本被质疑为画饼的体验真正跑在现实中。

它能做什么

这套工具把实时的视频流切片与 GPT-4V 的视觉识别能力接在一起，同时配合类似 ChatGPT 官方语音的自然语调进行对话反馈。

在演示中，它成功复刻了 Google 视频里的几项核心场景。你可以对着摄像头做出各种手势，它能实时识别并和你玩石头剪刀布；你可以在纸上画出一只水面上的鸭子，它能随着笔画逐步猜出你画的是什么；你还能向它展示不同的表情符号和纸面谜题，它都能即时看懂并开口作答。

有外媒记者在搭载 M2 芯片的 MacBook Air 上进行了实测，只需几分钟就配置完成并顺利运行。在实际测试里，它不仅能灵敏识别手势，还能一眼认出桌上的玻璃咖啡杯，甚至能看清镜头前一本书的封面，准确读出书名和作者。

怎么跑起来

目前该项目的全部代码已经公开发布在 GitHub 上，任何人都可以免费下载使用。

它的部署门槛非常低，不需要专门的高性能显卡或复杂的本地大模型环境。你只需要一台普通的笔记本电脑（例如 MacBook Air），拉取 GitHub 上的代码库，并填入你自己的 OpenAI GPT-4V API 密钥即可启动。

虽然这个第三方界面的交互设计不像大厂商业演示那样光鲜平滑，GPT-4V 在处理每一帧时的反应也带有几秒的正常网络延迟，但它展示的完全是没有经过后期加速或静态图剪辑的真实推理过程。

为什么重要

如果你是想做多模态应用的开发者或硬件创客，这个开源脚本非常值得拉下来看一看。它证明了不需要等大厂挤牙膏式的内测资格，只用现有的 GPT-4V 接口加上简单的视频流处理，就能搭出一套具备可用性的实时视觉助手雏形。

我们认为，这个项目的价值在于撕掉了商业宣传片的过度包装。当大公司还在用精修剪辑的短片展示所谓的下一代全模态时，社区开发者已经用现成的工具把真实能力摆在台面上了。它也清楚地显示出，至少在当前的视觉理解和多模态落地能力上，OpenAI 的底座依然走在最前面。