生成AIパスポート | 耳トレ連動テキスト 2-3.生成AI③

連動する耳トレ動画

動画第2章、第60問〜第103問が、今回のテキストに対応しています！

生成AIはどこまで広がった？ ChatGPTと主要モデルの動向・各モダリティの生成AI

生成AIは、文章を作る技術から、画像や音声を扱い、複数の手順を組み合わせて作業を進める技術へと用途を広げています。その変化を理解するには、モデルの名前だけでなく、「何を入力し、何を出力できるのか」「回答の生成に加えて、どのような操作を行えるのか」に注目することが大切です。

この記事では、第2章の「ChatGPTと主要な生成AIモデルの動向」「各モダリティの生成AI」を順に解説します。GUGA公開シラバスの2027年2月試験適用版を参照し、製品・モデルの情報は2026年時点の情報で説明します。提供機能は、利用プランや地域、更新によって変わります。

ChatGPTと主要な生成AIモデルの動向

ChatGPTとは――サービスとモデルを区別する

ChatGPTは、OpenAIが提供する対話型のAIサービスです。利用者は自然な言葉で依頼し、文章の作成、要約、質問への回答などを行えます。対応する機能を利用すれば、画像やファイルを渡したり、外部の情報を調べたりすることもできます。

ここで区別したいのが、ChatGPTというサービスと、その内部で使われるGPTなどのモデルです。モデルは、入力に応じた出力を計算する中核です。一方、サービスには、会話を表示する画面、ファイルを扱う機能、検索やコード実行などのツールも含まれます。同じサービスでもモデルや設定が変われば、応答の速さや得意な作業が変わります。

たとえば「資料を調べて比較表を作る」という依頼では、文章を生成するモデルだけでなく、情報を取得する検索機能や、資料を読み取る仕組みが関わる場合があります。サービス全体ができることを、単一のモデルの能力と同一視しないことが重要です。

ChatGPT登場までの歴史――GPT-1からGPT-3.5へ

GPTは、Generative Pre-trained Transformerの略です。Transformerを基盤とし、事前学習で得た能力を文章生成などに利用するモデルの系譜を表しています。

2018年に発表された初代GPT、いわゆるGPT-1は、大量の文章による事前学習と、特定の課題に合わせる追加の学習を組み合わせる有効性を示しました。2019年のGPT-2では文章生成の能力が向上し、課題ごとの専用学習を行わなくても、入力の与え方によって複数の言語処理を行う可能性が示されました。

2020年のGPT-3では、入力に少数の例を含めることで課題に対応する「Few-shot」の能力が注目されました。この場合の例の提示は、通常、モデルの重みを更新する追加学習ではありません。入力された文脈を手掛かりに出力を変える点がポイントです。

2022年11月に公開されたChatGPTは、GPT-3.5系列のモデルを対話向けに調整したものでした。人が望ましい応答例を示す学習や、RLHF（人間のフィードバックによる強化学習）などを用いて、指示への応答を改善しました。文章の続きを生成する能力が、利用者とやり取りするサービスとして広く利用されるようになったのです。

GPTモデルの進化――GPT-4からGPT-6 Astraへ

2023年のGPT-4では、文章に加えて画像を入力として扱う能力が示されました。2024年のGPT-4oは、テキスト・画像・音声をまたぐやり取りを進めたモデルです。ここでの「o」はomniに由来します。ただし、発表されたモデルの能力と、各サービスでその時点に利用できた機能の範囲は、必ずしも一致しません。

2025年のGPT-5では、素早い応答と、複雑な課題に時間をかける推論を組み合わせたシステムとしての進化が示されました。さらにGPT-6 Astraでは、事前学習や強化学習の進展とともに、ソフトウェア開発、ブラウザ操作、専門的な作業などへの対応が打ち出されています。

この流れは、単に「数字の大きいモデルほど長い文章を書ける」という変化ではありません。扱う情報の種類が増えること、問題を解くための計算を増やすこと、外部ツールを利用して作業を進めることが、並行して発展しています。モデルを比較するときも、文章の自然さだけでなく、正確性、処理時間、費用、利用できるツールなどを分けて確認します。

マルチモーダルモデルへの展開

モダリティとは、テキスト、画像、音声、動画など、情報の種類や表現形式を指します。複数のモダリティを扱うモデルが、マルチモーダルモデルです。たとえば、グラフの画像と質問文を入力して説明文を得る処理では、画像とテキストを組み合わせています。

ただし、「画像を理解できること」と「画像を生成できること」は別の能力です。画像を読み取って文章で回答するモデルが、そのまま画像を出力できるとは限りません。同様に、音声を入力できても、出力がテキストだけの場合があります。

また、一つのモデルが複数の種類の情報を直接扱う構成もあれば、音声認識モデル、言語モデル、音声合成モデルなどを組み合わせる構成もあります。利用するときは、入力と出力の対応を確認すると、サービスの仕組みを整理しやすくなります。

推論モデルと推論時の計算

AI分野での「推論」には、学習済みモデルを使って出力を得る処理という意味があります。一方、推論モデルという呼び方では、複数の条件を整理したり、途中の手順を検討したりするReasoningの能力に重点が置かれています。

推論モデルは、回答の前に内部で推論用のトークンを生成するなどして、課題の分解、解法の検討、候補の見直しに計算を使います。これが推論時の計算です。通常の利用では、この計算のためにモデルの重みを更新するわけではありません。

関連する概念が、思考の連鎖、Chain-of-Thoughtです。問題を中間の手順に分けて解く考え方を指します。ただし、利用者に表示された説明が内部処理のすべてを忠実に表すとは限りません。「詳しい説明があるから正しい」と判断せず、計算結果や参照資料を検証する必要があります。

推論に多くの計算を使うと、複雑な問題で改善が期待できる一方、応答時間や費用が増える場合があります。簡単な言い換えと、条件の多い計画作成では、必要な処理が違います。

Operator・Codex・Image Generation

Operatorは、ブラウザの画面を見てクリックや入力を行うエージェントとして、2025年に紹介されました。その後、ChatGPTのエージェント機能への統合が案内されています。学習上のポイントは、AIが操作方法を文章で説明するだけでなく、ツールを使って操作そのものを進めるようになったことです。

Codexは、ソフトウェア開発を支援するコーディングエージェントの例です。コードを生成するだけでなく、既存のコードを読み、修正し、テストするなど、一連の作業を支援します。実行環境やアクセスできるファイルが必要になり、生成したコードの確認も欠かせません。

Image Generationは画像生成の機能を指します。たとえば、文章でイメージを伝えて画像を作り、「背景を明るくして」と追加で修正する使い方があります。OpenAIでは2025年の4o image generationで、対話を通じた画像の生成・編集が紹介されました。

Gemini・Claude・Copilotの特徴

Geminiは、Googleのモデル群と、それを利用するアプリなどの名称です。複数のモダリティを扱うことや、Googleのサービスと組み合わせる利用が特徴の一つです。2026年10月の公式更新では、複雑な作業に対応するGemini 4 Argonの提供開始が案内されています。

Claudeは、Anthropicのモデル群と対話サービスの名称です。文章や資料の処理、コーディングなどに利用されます。公式発表にはOpus、Sonnet、Haikuなどの系列があり、2026年秋には5.5系列の更新が案内されています。名称だけで優劣を決めず、対象のモデルがどの作業や処理速度を重視しているかを確認します。

Copilotは、Microsoftが展開するAI支援サービス群の名称です。Microsoft 365の文書や業務アプリと連携する利用などがあり、LLMに加えて、検索、組織内データへの接続、アクセス権限の管理などが関わります。

各モダリティの生成AI

画像生成AI――文章から画像を作り、部分的に編集する

画像生成AIは、文章や参照画像などを条件として、新しい画像を生成する技術です。広告のビジュアル案、教材のイラスト、商品の配置イメージなどに活用できます。ChatGPTの画像生成機能などが具体例です。

代表的な仕組みには、ノイズを段階的に取り除いて画像を作る拡散モデルがあります。文章による指示を条件として、内容に合う画像へと近づけます。ただし、画像生成AIのすべてが同じ構造とは限らず、サービス名だけで内部の方式を断定することはできません。

画像全体を作るだけでなく、一部分を指定して描き直すインペインティングもあります。たとえば、室内の画像で椅子の領域を指定し、その部分を別の形の椅子に置き換える使い方です。周囲と自然につながるように生成しますが、指定外の部分が変化していないかも確認します。

生成された画像は、見た目が自然でも、文字、数量、位置関係が誤っていることがあります。教材で「三つの部品」を説明するなら本当に三つあるか、図の矢印が正しい方向を向いているかを検証します。正確さが必要な図表では、文字や数値を編集できる作図ツールと組み合わせる方法も有効です。

音楽生成AI――曲調や構成を条件に音楽を作る

音楽生成AIは、曲調、テンポ、楽器、歌詞などの条件に応じて、楽曲や音楽素材を生成する技術です。たとえば「落ち着いた雰囲気の、ピアノ中心のBGM」という指示から、目的に合う音楽を作る使い方があります。Google DeepMindのLyriaは、音楽生成モデルの例です。

音楽では、一瞬の音の自然さに加え、リズム、メロディー、和音、曲全体の展開が重要になります。生成モデルは学習した音楽のパターンを利用しますが、どの形式のデータをどの方式で生成するかはモデルによって異なります。楽器ごとの分離や細かな編集に対応するかも、サービスごとに確認が必要です。

教材動画に使う場合は、話し声を妨げない音量や曲調になっているかを実際に聞いて確認します。また、生成できることと、希望する条件で公開・配信できることは同じではありません。商用利用の条件や素材の扱いを確認し、既存の曲に極端に似た出力になっていないかにも注意します。

音声生成AI――ニューラルTTSとVoice Cloning

音声生成AIは、人の話し声などを生成する技術です。文章を音声へ変換する処理を、TTS、Text-to-Speechといいます。ニューラルネットワークを用いるニューラルTTSでは、文章に対応する発音や抑揚などをモデル化し、自然な話し声を合成します。Azure AI Speechなどが、TTSを提供する例です。

TTSは文章から音声への変換です。一方、録音された話し声を文字にする音声認識は、音声から文章への変換です。音声対話サービスでは両者を組み合わせる場合もあるため、入力と出力を確認して区別しましょう。

Voice Cloning（音声クローン）は、音声サンプルなどを使い、特定の話者の声の特徴を再現する技術です。TTSが「文章をどう読み上げるか」に関わるのに対して、音声クローンは「誰に似た声で話すか」に関わります。二つは組み合わせて利用されることがあります。

声が似ていると、聞き手が本人の発言だと受け取る可能性があります。利用目的や公開範囲を明らかにし、声の本人の同意を得ることが重要です。MicrosoftのPersonal Voiceでも、話者の同意を作成手順に組み込んでいます。

動画生成AI――時間を通じた一貫性が必要になる

動画生成AIは、文章や画像などを条件として、時間的に連続する映像を生成する技術です。文章から映像を作るText-to-Videoや、静止画像を基に動きを付けるImage-to-Videoなどがあります。Google DeepMindのVeoは、動画生成モデルの例です。

動画では、各場面の見た目に加えて、時間を通じた一貫性が重要になります。たとえば、人物が歩いている途中で服の模様が変わらないこと、手に持った物が突然消えないこと、動きが自然につながることが求められます。拡散モデルを使う方式などが研究されていますが、実装はモデルごとに異なります。

活用例には、映像作品の構成案、商品の使用場面のイメージ、教材用の短い映像があります。一方で、生成された映像を、実際に起きた出来事の記録として扱うことはできません。リアルに見えることと、事実を撮影したものであることは別だからです。

実在する人物が、実際には行っていない言動をしたように見せる合成物は、ディープフェイクの問題につながります。本人の同意、視聴者への説明、公開する文脈に注意し、誤認を招く利用を避ける必要があります。

電子透かしと来歴情報――生成物の背景を確かめる

生成物を判断する手掛かりとして、電子透かしと来歴情報があります。電子透かしは、画像や音声などに識別用の情報を埋め込む技術です。目で見える表示だけでなく、人には気付きにくい形で埋め込み、対応する仕組みで検出するものもあります。

来歴情報は、どのような機器やソフトウェアで作成・編集されたかなど、コンテンツの履歴に関する情報です。C2PAは、こうした情報を扱う技術仕様を策定する枠組みです。Content Credentialsでは、電子署名などを利用して来歴情報の改変を検証する仕組みが定められています。

ただし、来歴情報が検証できても、写っている出来事や書かれた内容が真実だと保証されるわけではありません。また、来歴情報や透かしが見つからないことも、人が作ったという証明にはなりません。対応する検出方式や情報の保持状況に左右されるためです。

生成物を確認するときは、来歴情報に加え、発信元や作成の目的、他の資料との一致を確かめます。画像・音楽・音声・動画のどれについても、生成する能力と、内容を適切に判断して公開する能力の両方が必要です。

耳トレの問題データはこちら！