Odaily スタージャーナルによると OpenAI は、オーディオ、ビジョン、テキストをリアルタイムで推論できる最新のフラッグシップ モデル GPT-4o をリリースしました。主なコンセプトは、擬人化された超自然的な超低遅延のパーソナル音声インタラクティブ アシスタントです。 OpenAI の公式 Web サイトと OpenAI の公式アカウントの情報によると、テキスト、オーディオ、画像出力の任意の組み合わせを生成します。音声入力には 232 ミリ秒 (平均 320 ミリ秒) で応答できます。これは人間の会話時の反応時間と同様です。英語とコードに関しては GPT-4 Turbo と同等のパフォーマンスを備えており、英語以外の言語テキストが大幅に改善されており、API はより高速で 50% 安価です。 GPT-4o は、既存のモデルと比較して、視覚と音声の理解において特に優れたパフォーマンスを発揮します。テキストと画像の入力は今日から API と ChatGPT で利用できるようになり、音声とビデオの入力は今後数週間以内に利用できるようになる予定です。