OpenAI の GPT-4o は何ができるのか?

OpenAIは月曜日、 最新の主力モデル であるGPT-4o（「o」は「omni」の略）を発表した。これは、映画『アイアンマン』に登場する「ジャービス」のようなインテリジェントアシスタントに最も近いものと言えるだろう。 

ChatGPT-4oのセールスポイントは、既存のAIモデルのほとんどが対応できない様々なモダリティに対応できることです。つまり、GPT-4oはテキスト、音声、画像のリクエストをあらゆる組み合わせで受け入れ、生成できるということです。.

チームがX（旧Twitter）で発表したステージデモは非常に印象的で、多くの人が熱狂しました。GPT-4oの大きな特徴の一つは、音声入力にわずか232ミリ秒で応答することです。これは、人間の会話中の反応時間とほぼ同じです。.

「まるで映画に出てくるAIのようですが、これが現実のものとなると、いまだに少し驚きます」と、OpenAIのCEOサム・アルトマン氏は月曜日のブログ投稿に記した。「人間レベルの応答時間と表現力を実現できたのは、大きな変化でした。」

OpenAIはGPT-4oのテキストおよび画像機能のユーザーへの展開を開始しました。同社によると、今後数週間以内に、音声および動画機能は「APIを利用する信頼できる少数のパートナー」に公開される予定です。. 

それにもかかわらず、ChatGPT-4o モデルで実行できることのいくつかを次に示します。. 

GPT-4oでできること

読みやすいテキストを含む画像を作成する

これまで、Midjourneyのような一部のAI画像生成ツールは、読みやすいテキストを含む画像の作成に苦労していました。OpenAIによると、GPT-4oはテキスト記述の理解度が大幅に向上し、画像上に読みやすいテキストを作成できるようになりました。. 

リアルタイム翻訳

翻訳機が必要な状況では、GPT-4o が翻訳機として機能します。OpenAI のチームはビデオデモで、GPT-4o が英語で話された内容をスペイン語、あるいは他の言語で繰り返し、さらにスペイン語から英語に戻すことができることを示しました。.

見て伝える

視覚障害のある方、あるいは単に楽しみたい方のために、ChatGPT-4oは携帯電話のカメラを通して周囲の状況を認識し、伝えることができます。あるケースでは、部屋に cake とキャンドルがあることに気づき、誰かが誕生日を祝っていると認識することができました。.

数学の問題を解く

GPT-4oは、紙やディスプレイ画面上の数学の問題を見て、答えを出すこともできます。それだけでなく、問題の解き方を学習するための指導やガイドも提供します。.

ビジュアル会議におけるAI

GPT-4oは、視覚的な会議に参加したり、参加者と会話を交わしたりできます。また、就職面接の準備にも役立ちます。.