GPT-4o発表。声・画像・文章をまとめて扱うChatGPTへ

何が発表されたか

OpenAIは2024年5月13日、GPT-4oを発表しました。GPT-4oの「o」はomniを表し、テキスト、画像、音声をまとめて扱えるモデルとして紹介されています。従来は、音声で話す、画像を見る、文章で答えるといった処理が別々の仕組みに分かれていましたが、GPT-4oではより自然に組み合わせる方向が示されました。

発表時には、応答速度や多言語性能の改善、無料ユーザーにも高性能モデルを広げる方針が案内されました。一方で、音声会話のすべての機能が同じ日に一斉公開されたわけではなく、提供範囲は段階的でした。ここは「発表された内容」と「今、自分の画面で使える内容」を分けて見るのが大切です。

初心者に何がうれしいか

初心者にとって一番わかりやすい変化は、AIへの入口が文字だけではなくなることです。たとえば、手元の紙資料を写真に撮って「ここを簡単に説明して」と頼む、英語の表示を見せて「日本語で要点を教えて」と聞く、声で思いつきを話して文章に整えてもらう、といった使い方がしやすくなります。

機械が苦手な人ほど、長い文章を入力する前に止まってしまいがちです。GPT-4oの方向性は、写真を見せる、声で話す、短く聞くという自然な相談に近づくところに意味があります。

もうひとつ大事なのは、家族や職場で「この画面どうしたらいい？」と聞くような相談を、AIにも少し近い形でできることです。完璧な代行ではありませんが、画面の意味を説明してもらうだけでも、最初の不安がかなり小さくなります。

まず試すなら何をするか

最初は難しい設定をせず、身近な画像を1枚使うのがおすすめです。たとえば、家電の説明書、Web画面のスクリーンショット、イベント案内の画像を見せて、「小学生にもわかるように説明して」「次に押す場所を教えて」「注意点だけ3つにして」と頼みます。

文章で使う場合は、「このメモを読みやすいメールにして」「箇条書きをやさしい説明文にして」のように、完成形をはっきり伝えると失敗しにくくなります。

慣れてきたら、同じ内容を「短く」「丁寧に」「家族に説明する感じで」と言い換えてもらうと、AIへの頼み方の感覚もつかめます。

注意点

画像や音声を扱えるからといって、内容が必ず正しいとは限りません。小さな文字の読み間違い、背景情報の推測、専門用語の誤解は起こりえます。医療、法律、契約、料金、個人情報を含む内容は、AIの回答だけで決めず、公式情報や専門家の確認を挟みましょう。提供される機能や回数制限も変わるため、利用前にOpenAI公式の最新案内を確認してください。