GPTは「Generative Pre-Trained Transformer」の略だ。深層学習モデル「Transformer」をベースに、文章や情報を理解して新しい回答を生成できる仕組みを提供する。GPT-4oは、OpenAIが2023年11月に発表した「GPT-4 Turbo」に続き、GPT-4に対する2回目のアップデートとなる。

　GPT-4oは、OpenAIのLLMポートフォリオの最上位モデルであり、回答精度など性能面でGPT-4 Turboを上回るとされる。その用途は、文章要約から質問への回答、論理的推論、数学問題の解答、コーディングなど幅広い。

　GPT-4oの大きな特徴が、音声入力と音声応答機能を実装したことだ。OpenAIによると、平均応答時間は320ミリ秒。人間との会話に近いスピードを実現しており、ユーザーは違和感なくGPT-4oと音声対話できる。AIモデルが生成した音声とも対話が可能だ。

　その他、GPT-4oの特徴として以下がある。

• マルチモーダルLLM
  • 「o」は「Omni」（ラテン語で「全ての」を意味する接頭辞）の頭文字で、GPT-4oがテキストや画像、音声など複数種類のデータを組み合わせて処理できるマルチモーダルLLMであることを示している。
• コンテキストウィンドウの拡大
  • GPT-4oのコンテキストウィンドウ（生成AIがやりとりの中で保持する情報量）は最大12万8000トークンとなっている。トークンとはテキストデータを処理する際の基本的な単位で、英語であれば1トークンは4文字程度と考えられる。コンテキストウィンドウがあることで、長い文章の処理においても一貫性を保つことができる。
• ハルシネーション抑制と安全性の強化
  • GPT-4oは、LLMが不正確な回答を出力する幻覚（ハルシネーション）を最小限に抑えるような設計を取り入れている。出力内容の安全性を保証するため、安全性を強化する手順も用意されている。

　次の表は、GPT-4、GPT-4 Turbo、GPT-4oの違いを簡単にまとめたものだ。

※注1：ChatGPTが最後にトレーニングデータを受け取った時点のこと

「GPT-4o」は何ができる？

　GPT-4oは以下のような機能を持つ。

• リアルタイム音声対話
  • リアルタイムでの音声対話機能。その応答速度の速さから、モデルとユーザー間の自然な対話が可能となる。
• 質問への回答
  • GPT-4と同様、GPT-4oは豊富な知識に基づいてユーザーからの質問に回答する。
• テキストの要約と生成
  • 文章の要約やソースコードの生成といった、テキスト処理関連のタスクを実行する。
• マルチモーダル処理
  • テキストや画像、音声など複数種類のデータ形式を処理する。
• 画像コンテンツの理解
  • 画像や動画形式のコンテンツを理解し、内容の説明や分析をする。
• 音声分析
  • 音声コンテンツを分析する。この機能はユーザーとの対話や、音声認識システムに組み込める。
• 感情分析
  • テキストや音声、映像など、異なる形式のデータを組み合わせてユーザーの感情を理解する。
• 感情の込もった音声生成
  • 感情豊かな音声生成ができる。繊細なコミュニケーションに適している。
• リアルタイム翻訳
  • 異なる複数の言語間のリアルタイム翻訳を実現する。50カ国語以上の言語で使用できる。
• データ分析
  • 図表の解析と、データやプロンプト（指示文）に基づく図表の作成ができる。
• ファイルの処理
  • 表計算ツール「Microsoft Excel」など特定形式のファイルをアップロードすると、データの詳細な分析ができる。大量のデータを処理して、意思決定や予測分析に役立てることができる。

　後編は、GPT-4oを使う方法について解説する。