OpenAI、テキスト・音声・画像機能を備えたマルチモーダルAIモデル GPT-4o を公開
(openai.com)• テキスト、音声、画像を同時に処理・生成できる画期的なAIモデル
• 人間の会話に匹敵するリアルタイム応答速度により、GPT-4o は自然な人間とコンピュータの相互作用における新たな標準を打ち立てる
• API ではより高速でコスト効率が高く、テキストとコード、特に英語以外の言語において GPT-4 Turbo の性能を上回る
• GPT-4o のマルチモーダル機能により、音声入力を理解して応答し、音声出力を生成し、リアルタイム会話に参加できる
• このモデルは、推論能力、多言語対応力、音声および視覚の理解、視覚認識の向上を示す
• OpenAI は、潜在的リスクを軽減するために GPT-4o の設計および事後学習で実装された安全対策を強調
• 初期リリースにはテキストおよび画像入力とテキスト出力が含まれ、音声および動画機能は今後、API の信頼できるパートナーに提供予定
5件のコメント
速度が本当にかなり速くなったのを実感します
日本語で質問するなら、
モデル自体の性能2倍 * 1.7（日本語トークン改善） = 3.4倍速くなりました
4OのOはOmniを意味します。
ChatGPTの最新アップデート: GPT-4oモデルと向上したユーザーアクセシビリティ
ChatGPTは、誰もが高度なAIツールを無料で利用できるようにすることに重点を置いています。デスクトップ版と新しいフラッグシップモデルであるGPT-4oの公開は、ユーザー体験の自然さと使いやすさの向上を目指しています。GPT-4oは、テキスト、視覚、音声全般にわたって、より高速で強化された機能を提供し、人間と機械の協業における重要な前進となるでしょう。
GPT-4oによるChatGPTの拡張
現在、すべてのユーザーに音声、テキスト、視覚推論機能を提供するGPT-4oを利用できます。新機能には、リアルタイム会話音声、メモリ、リアルタイム情報検索、高度なデータ分析が含まれます。GPT-4oは50言語で提供され、品質と速度が改善されるほか、有料ユーザー向けには利用上限もさらに高くなる予定です。
ChatGPTの新しいリアルタイムかつ応答性の高い機能
ChatGPTの新機能は、リアルタイムの応答性とユーザーの感情を把握する機能を提供します。このモデルは、ドラマチックな声、ロボットの声、歌う声など、さまざまなスタイルの音声を生成できます。さらにChatGPTは、視覚的な作業を支援し、ライブデモ環境でユーザーと対話できるようになりました。
一次方程式を解く: ステップごとに
Barrett ZophとChatGPTは、3X + 1 = 4という方程式を解きながら、まずXの項を分離し、その後Xを求め、続いてコスト、旅行計画、ビジネス計算など、日常生活における一次方程式の実際の応用について議論します。これにより、数学を理解し、実際の問題に活用するための新たな自信を得られます。
ChatGPTで天気データを分析する
ChatGPTは、コード機能を説明し、プロット出力を解釈することで、天気データの分析を支援します。
Fu機能は、温度データを平滑化し、プロットのノイズを減らすうえで不可欠です。このプロットは、2018年を通じた滑らかな平均、最低、最高気温を示し、9月末に発生した大きな降雨イベントに関する注目すべき注釈も表示します。多言語インタラクションとAI技術
AI技術は、ライブデモを通じて多言語インタラクションと感情解釈機能を披露します。このデモは、近い将来にユーザーがこの技術をより簡単に利用できるようにするという目標を強調しています。また、このプレゼンテーションでは、技術発展に貢献したチームとその功績にも触れています。
Corely、YouTube内の重要な内容を10秒で！ - https://corely.ai/content/openai-spring-update-2022
Introducing GPT-4o
紹介映像のリアルタイム会話デモ部分は衝撃的ですね。9分45秒あたりからです（上のリンクはそこから再生されるようにしてあります）。
これで回答の途中でも簡単に割り込めるようになり、ほぼリアルタイムで返答し、抑揚もずっと豊かになりました。