共用方式為

具有視覺概念的 GPT-4 Turbo

  • 發行項

GPT-4 Turbo with Vision 是 OpenAI 開發的大型多模式模型（LMM），可分析影像並提供文字回應，以回答有關影像的問題。 它同時包含自然語言處理和視覺理解。 本指南提供 GPT-4 Turbo 搭配視覺功能與限制的詳細數據。

若要試用 GPT-4 Turbo 搭配視覺，請參閱 快速入門。

與視覺交談

GPT-4 Turbo with Vision 模型會回答您上傳之影像或影片中存在的一般問題。

增強功能

增強功能可讓您納入其他 Azure AI 服務（例如 Azure AI 視覺），以將新功能新增至聊天與視覺體驗。

對象基礎：Azure AI 視覺可藉由識別並尋找輸入影像中的突出物件，來補充 GPT-4 Turbo 與 Vision 的文字回應。 這可讓聊天模型提供有關影像內容的更精確且詳細的回應。

重要

若要使用視覺增強功能，您需要 電腦視覺 資源。 它必須位於付費 （S1） 層，且位於與具有視覺資源的 GPT-4 Turbo 相同的 Azure 區域中。

Screenshot of an image with object grounding applied. Objects have bounding boxes with labels.

Screenshot of a chat response to an image prompt about an outfit. The response is an itemized list of clothing items seen in the image.

光學字元辨識（OCR）：Azure AI 視覺藉由提供高品質的 OCR 結果做為聊天模型的補充資訊，來補充 GPT-4 Turbo 與視覺。 它可讓模型針對具有密集文字、已轉換影像和大量數位財務檔的影像產生更高的質量回應，並增加模型可在文字中辨識的各種語言。

重要

若要使用視覺增強功能，您需要 電腦視覺 資源。 它必須位於付費 （S1） 層，且位於與具有視覺資源的 GPT-4 Turbo 相同的 Azure 區域中。

Photo of several receipts.

Screenshot of the JSON response of an OCR call.

影片提示：影片提示增強功能可讓您使用視訊剪輯作為 AI 聊天的輸入，讓模型產生影片內容的摘要和解答。 它會使用 Azure AI 視覺影片擷取來取樣影片中的一組畫面，並在影片中建立語音記錄。

注意

若要使用影片提示增強功能，除了 Azure OpenAI 資源之外，您還需要付費 （S1） 層中的 Azure AI 視覺資源和 Azure 影片索引器資源。

特殊定價資訊

重要

價格詳細數據未來可能會變更。

GPT-4 Turbo with Vision 會像其他 Azure OpenAI 聊天模型一樣產生費用。 您會針對提示和完成支付每個令牌費率，詳述於 [定價] 頁面上。 基本費用和其他功能如下所述：

具有視覺功能的 GPT-4 Turbo 基本定價為：

  • 輸入：每 1000 個令牌 $0.01
  • 輸出：每 1000 個令牌 $0.03

如需文字和影像如何轉譯為令牌的資訊，請參閱概觀的令牌一節。

如果您開啟增強功能，則其他使用方式適用於搭配使用 GPT-4 Turbo 與視覺搭配 Azure AI 視覺功能。

模型 價格
+ OCR 的增強附加元件功能 每 1000 筆交易 $1.5 美元
+ 物件偵測的增強附加元件功能 每 1000 筆交易 $1.5 美元
+ 「新增影像」影像內嵌的增強附加元件功能 每 1000 筆交易 $1.5 美元
+ 「影片擷取」整合 的增強附加元件功能 1 擷取：每分鐘視訊 $0.05
交易：視訊擷取索引每 1000 個查詢 $0.25

1 處理影片牽涉到使用額外的令牌來識別要分析的主要畫面格。 這些額外令牌的數目大致相當於文字輸入中的令牌總和，加上 700 個令牌。

影像價格計算範例

重要

下列內容僅供範例使用，未來價格可能會變更。

針對一般使用案例，請同時取得具有可見物件和文字和 100 標記提示輸入的影像。 當服務處理提示時，會產生100個輸出令牌。 在影像中，可以偵測到文字和物件。 此交易的價格如下：

項目 詳細資料 總成本
具有視覺輸入令牌的 GPT-4 Turbo 100 個文字標記 $0.001
OCR 的增強附加元件功能 $1.50 / 1000 筆交易 $0.0015
物件地面的增強附加元件功能 $1.50 / 1000 筆交易 $0.0015
輸出令牌 100 個權杖（假設） $0.003
總成本 $0.007

影片價格計算範例

重要

下列內容僅供範例使用，未來價格可能會變更。

針對一般使用案例，請以100令牌提示輸入進行3分鐘的視訊。 影片的文字記錄長度為100個令牌，當服務處理提示時，會產生100個令牌的輸出。 此交易的定價為：

項目 詳細資料 總成本
具有視覺輸入令牌的 GPT-4 Turbo 100 個文字標記 $0.001
識別框架的額外成本 100 個輸入令牌 + 700 個令牌 + 1 個視訊擷取交易 $0.00825
影像輸入和文字記錄輸入 20 個影像 （每個 85 個令牌） + 100 個文字記錄令牌 $0.018
輸出令牌 100 個權杖（假設） $0.003
總成本 $0.03025

此外，此 3 分鐘的影片產生影片擷取索引的成本為 $0.15。 您可以使用視覺 API 呼叫，在任意數目的視訊擷取和 GPT-4 Turbo 之間重複使用此索引。

限制

本節說明 GPT-4 Turbo with Vision 的限制。

映像支援

  • 每個聊天會話的影像增強功能限制：單一聊天通話內無法將增強功能套用至多個影像。
  • 輸入影像大小上限：輸入影像的大小上限限制為 20 MB。
  • 增強 API 中的物件地面：當增強 API 用於物件地面，而模型偵測到物件的重複專案時，它會為所有重複項目產生一個周框方塊和標籤，而不是針對每個重複項目產生一個周框方塊和標籤。
  • 低解析度精確度：使用「低解析度」設定來分析影像時，它允許更快的回應，並針對特定使用案例使用較少的輸入令牌。 不過，這可能會影響影像中物件和文字辨識的精確度。
  • 影像聊天限制：當您在 Azure OpenAI Studio 或 API 中上傳影像時，每個聊天通話的限制為 10 個影像。

影片支援

  • 低解析度：使用 GPT-4 Turbo 分析視訊畫面與視覺的「低解析度」設定，這可能會影響視訊中小型物件和文字辨識的精確度。
  • 視訊檔案限制：支援MP4和MOV檔案類型。 在 Azure OpenAI Studio 中，影片長度必須少於 3 分鐘。 當您使用 API 時，沒有任何這類限制。
  • 提示限制：視訊提示只包含一個視訊，且沒有影像。 在 Azure OpenAI Studio 中，您可以清除工作階段以嘗試其他影片或影像。
  • 有限的畫面選取：服務會從整個視訊中選取 20 個畫面，而無法擷取所有重要時刻或詳細數據。 視提示而定，畫面選取範圍大約可以平均分散到視訊或由特定視訊擷取查詢聚焦。
  • 語言支援：服務主要支援英文，以使用文字記錄進行地面處理。 文字記錄不提供歌曲中歌詞的準確資訊。

下一步