GPT-4o

GPT-4o（GPT-4 omni）とは、OpenAIが2024年5月に発表したフラッグシップのマルチモーダルAIモデルです。「omni（全て）」の名が示す通り、テキスト・画像・音声を別々のモデルに渡すのではなく、単一のエンドツーエンドモデルとしてネイティブに統合処理する設計が特徴です。

GPT-4oが重要な理由は、パフォーマンスを維持しながらコストと速度を大幅に改善し、音声対話の自然性を飛躍的に高めたためです。従来のChatGPTの音声機能は「音声→テキスト変換→LLM→テキスト→音声合成」というパイプラインでしたが、GPT-4oはエンド・トゥ・エンドで音声を処理するため、感情やトーンの変化・割り込みへの対応など人間らしい会話が可能になりました。

GPT-4 Turboと比較して、推論速度が約2倍、APIコストが約50%削減、GPT-4レベルの英語性能を維持しつつ非英語性能も向上。さらに画像入力の精度向上、長い文書の処理能力改善が図られています。2024年後半にはGPT-4o miniも公開され、低コスト・高速な小型モデルとしてAPIの主力となっています。o1・o3などreasoning-modelシリーズと並ぶOpenAIの主要製品ラインアップです。