AI

エーアイ

公開：2025-03-28

OpenAIがGPT-4oのネイティブ画像生成機能を発表、ChatGPTで高精度なテキスト描写や対話型編集が可能に

text: XEXEQ編集部
（記事は執筆時の情報に基づいており、現在では異なる場合があります）

記事の要約

• OpenAIがGPT-4oにネイティブ画像生成機能を統合
• ChatGPT内で高精度なテキスト・画像生成が可能に
• Plus、Pro、Team、Freeユーザーから順次提供開始

GPT-4oのネイティブ画像生成機能、ChatGPTで利用可能に

OpenAIは、同社の最先端言語モデルGPT-4oにネイティブな画像生成機能を統合し、ChatGPTユーザー向けに提供を開始したことを発表した。この新機能は、単に美しいだけでなく実用的な画像の生成を目指しており、Plus、Pro、Team、およびFreeプランのユーザーが本日より利用可能になっているのだ。^[1]

GPT-4oの画像生成機能は、テキストレンダリングの精度向上やプロンプトへの忠実な追従、モデル固有の知識ベースとチャットコンテキストの活用といった特徴を備えている。これにより、ユーザーはアップロードした画像を変換したり、視覚的なインスピレーションとして利用したりしながら、より正確に意図した画像を生成することが可能になるだろう。

この機能は、対話形式での画像改良もサポートしており、チャットの文脈を引き継ぎながら一貫性を保った画像の反復生成を実現する。OpenAIは、このネイティブな画像生成能力によって、ビジュアルコミュニケーションツールとしての精度とパワーを備えた実用的な画像生成へと進化させることを目指している。

GPT-4o画像生成機能の主な特徴まとめ

ChatGPTで試す

ネイティブマルチモーダルモデルについて

ネイティブマルチモーダルモデルとは、テキスト、画像、音声など複数の異なる種類のデータ（モダリティ）を、単一の統合されたモデル内で直接的に処理・生成できるAIモデルのことを指す。主な特徴として、以下のような点が挙げられる。

• 単一モデルで複数モダリティを扱う
• モダリティ間の連携がスムーズ
• より高度なコンテキスト理解と生成能力

従来のモデルではテキストと画像を別々のモデルで処理し連携させることが多かったのに対し、ネイティブマルチモーダルモデルはこれらの情報を統一的に学習し、相互の関係性を深く理解することが可能だ。GPT-4oはこのアプローチを採用しており、テキストプロンプトから高精度な画像を生成したり、画像の内容を理解してテキストで応答したりするなど、モダリティを横断した高度なタスクを実行できる基盤となっている。

GPT-4oの画像生成機能に関する考察

GPT-4oにネイティブな画像生成機能が統合された点は、AIのマルチモーダル化における大きな前進であり、特にテキストレンダリング精度や対話を通じた画像編集能力の向上は実用性を高める上で非常に評価できる。しかし、現状では非ラテン文字のレンダリング精度や特定の編集指示に対する反応性、複雑すぎる指示への対応には課題が残っており、ユーザー体験を損なう可能性があるだろう。

これらの課題に対しては、さらなる学習データの拡充とモデルアーキテクチャの改良、特に特定言語や編集タスクに特化したファインチューニングが解決策として考えられる。今後は、動画生成機能（Soraとの連携強化）や3Dモデル生成、より高度なインタラクティブ編集機能（特定領域の精密編集）の追加が期待されるだろう。

OpenAIには、技術的な限界を着実に克服しつつ、C2PAメタデータの付与やポリシー遵守といった安全対策を強化することで、創造性と安全性のバランスを取りながら、誰もが安心して利用できる強力なビジュアル生成ツールへと進化させていくことを期待したい。APIアクセスの拡大により、開発者コミュニティによる革新的な活用事例が登場することも楽しみである。

参考サイト

1. ^ Open AI. 「Introducing 4o Image Generation」. https://openai.com/index/introducing-4o-image-generation/, (参照 25-03-28).
34217

※上記コンテンツはAIで確認しておりますが、間違い等ある場合はコメントよりご連絡いただけますと幸いです。

「AI」に関するコラム一覧「AI」に関するニュース一覧