現地時間5月13日、米OpenAIは新しい大規模言語モデル ｢GPT-4o｣ を発表した。
｢GPT-4o｣ はOpenAIが開発した、テキストや音声、画像・映像の入力に対応する、最新フラグシップモデルだ。名称に入っている ｢o｣ は ｢omni｣ の略で、｢GPT-4o｣ のマルチモーダルな性質を表している。
知能レベルは、既存の大規模言語モデル ｢GPT-4 Turbo｣ と同等くらいであるものの、テキストや音声、画像・映像の入力に対する処理能力を向上したほか、高速化を行っているのが特徴となる。
大規模言語モデル ｢GPT-4o｣ 発表。本日から順次リリース
OpenAIによると、APIの処理速度は現行最新である大規模言語モデル ｢GPT-4 Turbo｣ に比べて2倍高速になっているとのこと。音声入力の応答速度は最小で232ミリ秒、平均で320ミリ秒。これは人間の会話における応答と同程度の速度であるという。
デモンストレーションでは、音声での質問に対して流暢に回答しただけでなく、食い気味で入ってきた質問についてもしっかりと聞き取り、正確な返答をしてみせた。また、英語とイタリア語が混在した会話において通訳を務めたり、紙に書いた数式の問題をスマートフォンのカメラを通じて認識し、問題を解いてみせるなど、高い性能を示した。
｢GPT-4o｣ は本日より順次ChatGPTで利用できるようになるほか、開発者向けにはAPIの提供もはじめる。対応言語は50。
ChatGPTにおける ｢GPT-4o｣ は段階的にリリース予定で、まずは本日よりテキストおよび画像による入力と、テキスト出力機能がリリースされる。
無料ユーザーも利用可能だが、やり取りできるメッセージ数に上限が設けられる。Plusユーザーはメッセージ制限が無料ユーザーの最大5倍に緩和され、TeamやEnterpriseユーザーはさらに制限が緩和されるとのこと。制限に達した場合は、自動的にGPT-3.5に移行する。
GPT-4oのVoiceモードについては数週間以内にα版がリリースされ、Plusユーザー向けには早期アクセスが提供予定。
開発者向けのAPIについては、現時点でテキストと画像機能にアクセス可能。音声およびビデオ機能は、信頼できる一部パートナー向けに今後数週間のうちにサポートを開始する予定だ。
さらに、ChatGPTはこれまでブラウザおよびスマートフォン版アプリで提供されてきたが、新たにデスクトップ向けアプリケーションの提供を開始する。詳細はこちらの記事へ。
関連記事
・ChatGPTのデスクトップアプリがWindowsとMacに登場へ。｢GPT-4o｣ も今後利用可能に
(画像：OpenAI)