OpenAI、テキスト・音声・映像を統合処理する「GPT-4o」発表
OpenAIが2024年5月13日、新フラッグシップモデル「GPT-4o」を発表しました。「o」はomni(全て)を意味し、テキスト・音声・画像・映像を組み合わせて入力・出力できるのが特徴。音声入力への応答は最短232ミリ秒と人間同士の会話に近い速度を実現し、無料ユーザーにも提供された点が大きな話題となりました。
詳細
- マルチモーダル統合: テキスト・音声・画像・映像を組み合わせた入力を受け付け、テキスト・音声・画像を組み合わせて出力可能。単一モデルで一貫処理する設計に刷新
- 応答速度: 音声入力への応答が最短232ミリ秒と、人間の会話に近い自然な速さを実現
- 性能とコスト: テキスト性能はGPT-4 Turbo相当を維持しつつ、APIでは2倍高速・半額・レート制限5倍という効率化を達成
- 無料開放: テキスト・画像機能は無料ユーザーにも即日提供。Plus/Teamユーザーはメッセージ上限が5倍に
- 段階的展開: 音声・映像機能は安全面の検証のため、当初は限定グループのみに提供し、数週間〜数か月かけて順次拡大する方針が示された
その後
GPT-4oはその後デスクトップ版ChatGPTと同時にリリースされ、後の「Advanced Voice Mode」による自然な音声対話機能の土台となりました。無料ユーザーへの機能開放という方針は以降のOpenAIの製品展開にも引き継がれ、同年9月には推論に特化した新系統モデル「o1」の発表へとつながっていきます。