生成AIパスポート試験 生成AIの仕組みと歴史 練習問題 第26問: GPT-4oの「o（omni）」が表す発表時の特徴として最も適切なのはどれか。

正解: 2. テキスト・音声・画像の入出力を単一モデルで扱う

GPT-4oは複数モダリティを単一モデルで統合し、テキスト・音声・画像・動画の組合せを入力し、テキスト・音声・画像を出力できるものとして発表された。音声の文字起こし・文章生成・音声合成を別々のモデルでつなぐのは、GPT-4o以前の音声モードの構成である。ブラウザを操作して作業を代行するのはOperatorの説明で、応答の前に時間をかけて考える推論の強化はo1など別系列の特徴である。

関連キーワード: GPT-4o・omni・マルチモーダル・音声・画像