GPT-4o

OpenAIが開発した最新のマルチモーダル大規模言語モデル。「o」はomni（全方位）を意味し、テキスト、画像、音声を統合的に処理できる能力を持つ。従来モデルと比較して、リアルタイム音声対話における応答速度が劇的に向上し、人間同士の会話とほとんど変わらないスピードで応答できる。画像認識機能（Vision）も搭載されており、画像の内容を読み取り、それに基づいた質問応答が可能。APIとして公開されており、開発者が容易にマルチモーダルAIアプリケーションを構築できる環境が整っている。