OpenAIがGPT-4oを発表：音声・視覚・テキストをリアルタイム処理

これまで AI と音声でやり取りする体験は、トランシーバーの交信に似ていました。こちらが話し終えてから、数秒の沈黙を経て機械的な声が返ってくるのが当たり前だったからです。

OpenAI は 5 月 13 日、新たなフラッグシップモデル「GPT-4o」を発表しました。「o」は omni（全方位・オムニ）を意味します。最大の特徴は、音声入力に対する応答速度を最短 232 ミリ秒、平均 320 ミリ秒まで縮めた点です。これは人間同士の日常会話の反応速度とほぼ同水準です。

見る・聴く・話すを単一モデルに統合

従来の ChatGPT 音声モードは、音声認識、テキスト処理、音声合成という 3 つの別々のモデルを直列に繋いでいました。そのため平均で 2.8 秒から 5.4 秒の遅延が発生していました。

このパイプライン方式では、核となる GPT-4 に渡る段階で声のトーンや感情、背景の物音といった情報が抜け落ちていました。笑いながら話したり、歌ったり、相槌を打つことも難しかったのが実情です。

GPT-4o は、テキスト、画像、音声を最初から 1 つのニューラルネットワークでまとめて学習するエンドツーエンド設計を採用しました。英語やコーディング能力では GPT-4 Turbo と同等性能を維持しつつ、画像や音声の理解力、非英語圏のテキスト処理能力を大きく引き上げています。

新しいトークナイザーにより言語圧縮率も向上しました。日本語や中国語では 1.4 倍、ヒンディー語では約 3 倍のトークン削減を達成しています。API においても、GPT-4 Turbo と比べて処理速度が 2 倍になり、料金は半額に引き下げられ、レート制限は 5 倍に緩和されました。

無料ユーザーへ開放、音声機能は段階的に展開

提供方法も大きく変わります。GPT-4o のテキストおよび画像入力機能は、ChatGPT の無料ユーザーにも提供が開始されました。Plus ユーザーには無料枠の最大 5 倍のメッセージ上限が設定されます。

一方で、リアルタイム音声機能の全面公開は慎重に進められます。音声モダリティがもたらす新たなリスクに対応するため、まずはテキストと画像から提供を開始し、新版の音声モードは数週間以内に Plus ユーザー向けにアルファ版として順次配信される予定です。初期の音声出力は用意されたプリセット音声に限定されます。

安全性評価では、社会心理学や偏見、誤情報などの専門家 70 人以上による外部レッドチーム演習を実施しました。サイバーセキュリティや説得力などの評価項目において、いずれも中リスク以下に抑えられていると報告されています。

なぜ重要か

私たちは、この発表が競合各社に対する強烈な価格破壊と仕様の標準化になると見ています。これまで月額 20 ドルの課金ユーザー向けだった最高峰の知能を無料層へ開放し、API 費用を半額にしたことで、安価さを売りにしていた競合モデルの立ち位置は急速に厳しくなります。

ユーザーにとって、平均 320 ミリ秒という遅延の解消はインタラクションの質を根底から変えます。言葉の抑揚を察し、話の途中で自然に割り込める応答性は、語学学習や通訳、カスタマーサポートといった領域で実用的なブレークスルーになります。

ただし、課題も残されています。あまりに人間らしい感情表現とリアルタイムなやり取りは、なりすましや詐欺のリスクを高めるだけでなく、ユーザー側の過度な感情移入を招く懸念があります。OpenAI が完全な音声・動画の公開を段階的に絞っている判断は堅実ですが、この擬人化の急進展に社会がどう適応していくかは注視が必要です。