GPT-4o 名称里的 o 来自 omni。理解这个名字，有助于认识多模态方向，但不能据此认定每一个同家族 API 都能同时接收文本、图片、音频和视频。
先看具体模型的输入输出
官方普通 gpt-4o 条目列出文本和图像输入、文本输出；音频和视频不在该条目的支持模态中。它与名称相近的音频条目不能互换。OpenAI 官方 GPT-4o 模型页
例如，音频模型条目另有其文本、音频输入输出说明，接口、参数和生命周期也应单独确认。GPT-4o Audio 模型页
因此，应把三个问题分开：模型条目支持什么、所用 API 怎样接收这些数据、用户产品为当前账号开放了什么功能。产品中可以语音聊天，并不能证明普通文本/图像 API 也接受同样输入。
看图、读文字和处理视频不是一回事
图像理解可以用于解释画面或读取其中的文字，但小字、模糊、布局和内容复杂度会影响结果，不能承诺 OCR 总是准确。
把视频抽帧后作为图片处理，也不等于某个模型具有原生视频输入，更不能自动保留连续动作和音轨。语音任务还需区分转写、语音生成和实时对话，不能仅凭模型家族名选接口。
怎样比较质量、速度和成本
“比 GPT-4 更快”需要明确具体版本、相同输入、输出长度和测量方法；成本也要区分输入、输出、缓存与调用方式。上下文窗口和最大输出长度不是同一个数，不能把不同条目的参数合成一张笼统对比表。
对于自己的任务，更有用的是固定样本检查准确性、失败类型、延迟和实际用量，而不是套用一个跨版本速度倍数或价格比例。
生命周期也是能力选择的一部分
截至 2026-10-26 所查看的官方页面，GPT-4o 条目及部分历史快照已有 Deprecated 或 Shut down 状态。这份笔记用于理解名称与接口边界，不是当前接入或订阅推荐。
维护旧代码时，应记录精确模型 ID、接口和请求参数，再核对最新生命周期说明；不要只因为旧名称还出现在文档里，就认为它仍可新建调用或对所有账户开放。