2024年5月13日に米国で開かれたOpenAIの発表会の概要を解説してくれているよ。

注目されたのは、ChatGPTは今後「GPT-4o」と呼ばれる強力な生成AIモデルによって動作することが発表されたことだ。4oのoには「omni=すべての」という意味があり、テキストや音声、画像のあらゆる組み合わせを入出力できる。

音声入力は人間の応答時間とほぼ同じで、即時的に反応してくれる。さらに応答の音声には感情的な表現を加えることもでき、人間とコンピューターのより自然な対話に向けて一歩進んだと評価されているよ。

投稿者のmikimikiさんは6つのポイントをあげている。1つ目は「通常のやりとり」。あいさつを交わしたり、緊張をほぐすための深呼吸のアドバイスを頼んだりしている。

2つ目は「感情の変更」。GPT-4oに対し、お話を作って読んで聞かせてと頼み、「もっとエモーショナルな声で、ドラマティックにして！」と頼んだりしている。最後に「歌を歌っている感じで終わらせて」と無茶振りをしているけど、それにも即座に対応している。

3つ目は「Vision機能との併用」。紙にサインペンを使って手書きで数式を書いて「Xをどうやって求めたらいい？」と聞くんだけど、すぐに答えを出すんじゃなくて、解き方までちゃんと教えてくれる。その会話は、まるで生徒と先生みたいだ。

4つ目は「Vision機能＋デスクトップアプリ（コード理解）」。プログラミングをしたコードをGPT-4oに見せて「このコードがどのようなものであるか教えて」と頼むと、コードを解析して動作の内容を解説してくれる。

5つ目は「Vision機能＋デスクトップアプリ（グラフ理解）」で、コード理解と同じようにグラフをGPT-4oにシェアすると、その特徴を解析して言葉で教えてくれる。

もちろん、それもできる。発表会のプレゼンでは「何月が一番暑かった？ 気温も教えて」と頼んで、答えさせているよ。

6つ目は「同時通訳」で、イタリア語を話す女性と英語を話す男性の間を、GPT-4oが取り持つ形になっている。まさに同時通訳者のようだった。

その後、mikimikiさんが、実際にGPT-4oをスマホ版とWeb版で使っているんだけど、画像のカオスマップからサービスを抽出してリスト化する作業では、従来のGPT-4よりもGPT-4oの方が、スピードが速い上に、アウトプットが正確ということが分かった。

驚くのは、GPT-4oのWEB検索や画像解析などは、標準の無料サービスとして提供されていることだ。音声会話は有料のPlusユーザーでないと使えないけど、GPT-4までは無料ユーザーでも使える。