OpenAIのGPT-4oを日本語OCRとして使ってみる

昨日、OpenAIが生成AIの新しいモデルであるGPT-4oを発表しました。消費するトークン数の節約や、音声合成機能の改善、応答速度の向上など着実な品質改善を見せているようです。私も、特に音声合成（Text To Speech）の表現力について非常に興味を持っています。 私は以前、「OpenAIのGPT-4 Turbo with visionを日本語OCRとして使ってみる」で、GPT-4 Turboの画像認識機能の日本語OCRについて検証を行いました。その当時は、既存のコグニティブAI APIに比べて認識精度が十分でないという評価をしています。とはいえ、その後に出てきたClaude 3 Opusは驚くべき認識精度だったので、OpenAIも巻き返す可能性は十分にあると感じました。Azure OpenAI Serviceを使っている場合は、Vision enhancementという既存のコグニ

[kotetsu306]

「7年間」→「七年間」とか「話したい」→「話ししたい」とか、画像を認識してるだけでは出て来ないような表記揺れが起きている

[nlogn]

文字認識の話のはずだが、音声認識が混じっている。

[misshiki]

文字認識率が劇的によくなったらしいです。

[dexia2]

単にOCRの精度を強化したというより、柔軟な構造とか書き方に対応できるような改善に見える。二段組みとか、縦書きとか難しめのOCRにも対応している。

[udddbbbu]

面白い あと目のアイコンそのサイズにするとすげー気持ち悪いこともわかった

[deejayroka]

“認識精度は前回に比べて劇的に改善しました。今回のサンプルの範囲では、Claude 3 Opusと比べても遜色がないレベルで文字認識をしてくれています”

[star_123]

試したらGoogleレンズの方が精度は上っぽいけどOCR用アプリでもないマルチモーダルなAIの能力としてこれだけ「読めてる」のは驚異的だよなぁ

[naggg]

犯罪にも使われるんじゃないかと思ったり。