GPT-4o (OpenAI 2024)（ジーピーティーフォーオー2024）
OpenAI 2024年5月発表ネイティブ マルチモーダル LLM。テキスト+画像+音声統合・$5/1M入力 $15/1M出力・GPT-4 Turbo 後継
概要
GPT-4o は 2024年5月13日に OpenAI が発表したネイティブ マルチモーダル LLM（公式 model ID: gpt-4o、o は omni「全方位」の意）。テキスト + 画像 + 音声を単一モデルで統合処理する初の OpenAI フラッグシップで、$5/1M 入力 + $15/1M 出力（GPT-4 Turbo の 50% 価格）・GPT-4 Turbo (2024-04) 後継として 2024 年 OpenAI 主力モデル。
革新は 「ネイティブ マルチモーダル」アーキテクチャ：従来 GPT-4V (2023-09) は「テキスト LLM + 別途 Vision エンコーダ」の継ぎ足し構造、GPT-4o は 最初から全モーダル統合で訓練。音声入力 → テキスト変換 → LLM 処理 → テキスト → 音声生成の 4 段階を 1 ステップに統合、レスポンス時間 232ms（人間会話 320ms より速い）を実現。
ChatGPT デモで（1）リアルタイム音声会話（人間並み）（2）感情表現付き音声生成（怒り・喜び・歌唱）（3）画面共有 + AI が画面操作見ながら助言（4）リアルタイム翻訳（同時通訳）（5）視覚的数学問題解説等を披露、Sam Altman CEO は「Her（映画 2013、AI と人間の恋愛）が現実化」とコメント。
価格は当時の GPT-4 Turbo（$10/$30）の 50% 価格で性能向上、Open AI の「価格破壊 + 性能向上」戦略の象徴。2024-08 に GPT-4o-mini（$0.15/$0.60、超軽量版）追加、2024-11 に GPT-4o 更新版（高速化 + Function Calling 改良）。
主な特徴・仕組み
- モーダル: テキスト + 画像 + 音声（ネイティブ統合）
- アーキテクチャ: 単一 Transformer + マルチモーダル トークナイザー
- 応答時間: 232ms（音声、人間 320ms より速い）
- コンテキスト: 128K トークン（入力）+ 16K 出力
- API 価格: $5/1M 入力 + $15/1M 出力（GPT-4 Turbo $10/$30 の 50%）
- ChatGPT 統合: 無料ユーザでも GPT-4o 利用可（制限あり）、Plus は週 80 回
- 音声生成: 感情表現付き、6 ボイス（Alloy・Echo・Fable・Onyx・Nova・Shimmer）
- 画像入力: 解像度高画質 (2048×2048)・複数枚 同時可
- 画像生成: なし（DALL-E 3 別途）
- Function Calling: あり（並列対応）
- 多言語: 50+ 言語、特にトークナイザー改良で日本語・中国語効率化
- OS バージョン: gpt-4o-2024-05-13 (初版)・gpt-4o-2024-08-06 (構造化出力 + Function Calling 強化)・gpt-4o-2024-11-20 (高速化)
スペック比較表
| 項目 | GPT-4o (2024) | Gemini 1.5 Pro | Claude 3.5 Sonnet | Molmo 72B | InternVL 2-76B |
|---|---|---|---|---|---|
| マルチモーダル | テキスト+画像+音声 | テキスト+画像+音声+動画 | テキスト+画像 | テキスト+画像 | テキスト+画像 |
| コンテキスト | 128K | 1M-2M | 200K | 4K | 8K |
| API 価格 (out) | $15/1M | $10/1M | $15/1M | OSS 無料 | OSS 無料 |
| MMMU | 69.1% | 62.2% | 68.3% | 54.1% | 67.3% |
| 音声生成 | あり (感情付き) | なし | なし | なし | なし |
| 動画入力 | なし | あり | なし | なし | なし |
具体例・対応製品
- OpenAI API gpt-4o: $5/$15 per 1M、Python / Node.js / Go SDK
- OpenAI API gpt-4o-mini: $0.15/$0.60 per 1M、軽量版
- ChatGPT GPT-4o (無料): 制限あり、ChatGPT Plus 月 $20 で大量利用
- Azure OpenAI gpt-4o: Azure 統合エンタープライズ版
- LangChain ChatOpenAI gpt-4o: 標準サポート
選び方・注意点
- 音声対話最強: ChatGPT Voice Mode で人間並み会話、Apple Siri / Google Assistant 比で圧倒
- GPT-4 Turbo 全面代替: 性能向上 + 価格 50% で旧モデルの存在意義消失、新規は GPT-4o 一択
- Gemini 1.5 Pro との比較: GPT-4o は音声 + 速度・Gemini は超長文 (1-2M context) + 動画入力で住み分け
- Function Calling 並列: 1 リクエストで複数 Function 呼出し可、Agent 用途で効率化
- GPT-4o-mini との使い分け: 大量バッチ・軽量タスク → mini ($0.15/$0.60)、品質重視 → 通常版
- トークナイザー改良: 日本語・中国語で従来比 1.4x 効率（同じテキストで 30% 安く）
- 2025 GPT-5 統合: OpenAI が GPT-5 で o 系統 + GPT 系統統合発表、GPT-4o は legacy 化予定
関連用語との違い
| 用語 | 違い |
|---|---|
| GPT-4o (OpenAI 2024) | ネイティブ マルチモーダル・音声統合 |
| Gemini 1.5 Pro (2024) | 1-2M 超長文・動画入力 |
| Molmo (Allen AI 2024) | OSS 72B・Apache 2.0 |
| InternVL 2 (2024) | OSS 中国系・76B |
| NVLM (NVIDIA 2024) | OSS・NVIDIA 戦略モデル |
よくある質問（FAQ）
Q1: GPT-4 Turbo との性能差は？ A: GPT-4 Turbo（$10/$30 per 1M、テキストのみ + 別途 Vision）から GPT-4o（$5/$15、ネイティブ マルチモーダル）で価格 50% 削減 + 機能向上。MMLU 88.7%（Turbo 86.4%）・MMMU 69.1%（Turbo 56.8%）で全面凌駕、GPT-4 Turbo の存在意義は完全消失。
Q2: 音声対話の実用性は？ A: ChatGPT Voice Mode で「Her」級の対話実現：(1) 応答 232ms で会話自然 (2) 感情表現付き (3) 笑い声・歌唱・声色変更可 (4) リアルタイム翻訳（同時通訳）(5) 画面共有 + 操作助言。Apple Siri (2011 発表) を 13 年遅れで超越、AI Assistant 革命の起点。
Q3: GPT-4o vs Claude 3.5 Sonnet どちらを選ぶ？ A: 音声 + 速度重視 → GPT-4o、コーディング + 長文書解析 → Claude 3.5 Sonnet、reasoning → o1 / Claude 3.7 Extended Thinking。OpenAI vs Anthropic は「速度 vs 品質」「マルチモーダル vs 専門特化」のトレードオフ、用途で住み分け。
まとめ
- OpenAI 2024年5月発表・ネイティブ マルチモーダル LLM
- テキスト + 画像 + 音声統合・応答 232ms
- $5/$15 per 1M（GPT-4 Turbo の 50%）
- ChatGPT Voice Mode で AI 対話革命
- 2024 年 OpenAI 主力モデル・「Her」級対話実現