ChainCatcher のメッセージによると、最近 OpenAI の CEO サム・アルトマンがソーシャルプラットフォームで、今週 ChatGPT Plus のサブスクリプションユーザーに対して Alpha バージョン GPT-4o の音声モード（Voice Mode）を開放することを明らかにしました。これにより、ユーザーは遅延のないスムーズな対話を行うことができます。現在の公開情報によれば、ChatGPT の音声モードは平均遅延が 2.8 秒（GPT-3.5）および 5.4 秒（GPT-4）であるため、使用体験は直感的ではありませんが、GPT-4o は遅延時間を大幅に短縮し、シームレスな対話を実現します。

ChainCatcher のメッセージによると、CNBC の報道で、人工知能スタートアップの OpenAI が新しい人工知能モデル「GPT-4o mini」を発表し、新バージョンは「今日の最も強力でコスト効率の高い小型モデル」と称し、後に画像、動画、音声を統合する計画を立てているとのことです。報道によると、GPT-4o の o は omni を表し、GPT-4o は音声、動画、テキスト機能を改善し、50 の異なる言語をより高い速度と品質で処理できるようになっています。

ChainCatcher のメッセージ、OpenAI が最新のフラッグシップモデル GPT-4o を発表しました。これは、リアルタイムで音声、視覚、テキストを推論できるもので、主なコンセプトは擬人化、超自然、超低遅延の個人音声インタラクションアシスタントです。OpenAI の公式ウェブサイトおよび X プラットフォームの公式アカウントに関する情報によると、GPT4o の o は Omni（全方位）を表し、より自然な人間と機械のインタラクションへの一歩です------テキスト、音声、画像の任意の組み合わせを入力として受け入れ、任意の組み合わせのテキスト、音声、画像出力を生成することをサポートします。音声入力に対して 232 ミリ秒以内に応答でき、平均 320 ミリ秒で、対話中の人間の反応時間に似ています。英語とコードに関しては、GPT-4 Turbo と同等の性能を持ち、非英語の言語テキストにおいては顕著な改善が見られます。また、API の速度はより速く、コストは 50% 安価です。既存のモデルと比較して、GPT-4o は視覚と音声理解において特に優れた性能を発揮します。テキストと画像の入力は本日 API と ChatGPT で導入され、音声と動画の入力は今後数週間内に導入される予定です。