米OpenAIは、同社の提供している生成AI／AIチャットボットである「ChatGPT」において、音声や画像の入力が可能になったことを、9月25日（現地時間）に発表した。これらの機能は、今後2週間以内に「ChatGPT Plus」と「ChatGPT Enterprise」ユーザーへの提供が開始され、音声入力はiOSとAndroid、画像入力はすべてのプラットフォームで利用できるようになる。
音声入力では、音声を使用してAIとやり取りが可能になり、ChatGPTに音声で話しかけることで応答を得られるようになっている。
同機能では、新たなテキスト読み上げモデルを活用することで、テキストと数秒のサンプル音声から人間のような音声を生成し、それぞれの音声はプロの声優の協力によって作成されている。また、オープンソースの音声認識システム「Whisper」を使って、発話内容をテキストに変換している。
画像入力では、ChatGPTに画像を提示することで、問題を解決する提案や、グラフなどに基づくデータ分析などをしてもらえる。モバイルアプリでは、描画ツールを使用して、画像の特定の部分を強調することもできる。
ChatGPTは、マルチモーダルなGPT-3.5とGPT-4によって画像に対する洞察能力が強化されており、言語推論スキルを写真、スクリーンショット、テキストと画像の両方を含むドキュメントなど、幅広い画像に適用可能となっている。
音声入力・画像入力機能は将来的に、開発者を含む他のユーザーグループにも提供されるという。
この記事は参考になりましたか？
- この記事の著者
-
CodeZine編集部（コードジンヘンシュウブ）
CodeZineは、株式会社翔泳社が運営するソフトウェア開発者向けのWebメディアです。「デベロッパーの成長と課題解決に貢献するメディア」をコンセプトに、現場で役立つ最新情報を日々お届けします。
※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です
