OpenAIがGPT-4oにネイティブ画像生成を導入：文字描画の精度向上

AIで画像を生成するとき、誰もが経験するストレスがあります。画像内の文字が謎の古代文字に崩れたり、プロンプトに描いた小道具の半分をモデルが勝手に無視したりする現象です。

OpenAIは3月25日、フラッグシップモデル「GPT-4o」にネイティブな画像生成機能を統合したと発表しました。従来のDALL·E 3のように外部ツールを呼び出すのではなく、GPT-4o自身がマルチモーダルとして直接画像を生成します。

この機能はPlus、Pro、Team、そして無料ユーザー向けにChatGPTのデフォルト機能として順次提供が始まっています。EnterpriseおよびEduへの展開も間もなく予定されており、今後数週間以内にはAPI経由での提供も開始される見通しです。なお、従来のDALL·Eは専用のカスタムGPTとして引き続き利用できます。

最大20個のオブジェクトを同時に制御

技術面で最も目を引くのは、複雑な指示への追従性です。従来の画像生成モデルは5個から8個程度の物体を指定すると関係性が破綻しがちでしたが、GPT-4oは10個から20個の異なるオブジェクトを破綻なく配置できるとされています。

会話の文脈を保ったまま編集できる点も大きな特徴です。ユーザーがアップロードした画像をベースにスタイルを調整したり、ゲームキャラクターの外見を崩さずにポーズだけを変えたりすることが可能です。16進数のカラーコード（HEX）の指定や背景の透過処理にも対応しています。

さらに、画像内のテキスト描画精度も大幅に向上しました。今週登場したIdeogram 3.0などと並び、ロゴやポスターの文字潰れ問題はほぼ克服されつつあります。一方で、緻密な描画を行う代償として生成速度は落ちており、1枚の出力に最大1分程度かかる場合があります。

安全管理に推論モデルを投入

モデルのトレーニングでは、テキストと画像の同時分布をAggressiveなポストトレーニングと組み合わせて学習させました。また、悪用対策として生成画像すべてにC2PAメタデータを付与し、自社モデル由来かどうかを判別する内部検索ツールも整備しています。

興味深いのはセーフティ機構です。OpenAIは人間の安全ガイドラインを直接解釈できる推論LLMを学習させ、ポリシーの曖昧さを洗い出しながらテキストと出力画像の両方をリアルタイムで監視する仕組みを取り入れました。

なぜ重要か

画像生成が会話モデルの「ネイティブ機能」になった価値は極めて大きいと私たちは考えます。単に綺麗な絵を出すだけでなく、思考の整理や図解、デザインのプロトタイピングといった実務作業において、テキストと同じ手軽さでビジュアルを扱えるようになったからです。

業界全体にとっても、単機能の画像生成サービスに対する強烈な牽制になります。文字入れや複数オブジェクトの精密配置がChatGPT内で完結してしまう以上、競合各社は特定の画風や専門的なワークフローに特化しなければ生き残りが難しくなるはずです。

OpenAIの判断として巧みなのは、数秒での返答を諦めて「1分待たせる代わりに指示通りの正確な出力を出す」という実用性重視のバランスを選んだ点です。ただし、業務で大量のバリエーションを試作したい現場にとって、この待ち時間がボトルネックにならないかは今後のAPI運用で検証されることになります。