GPTによる動画理解のOpenAI公式ガイドを読む

OpenAIのAPIドキュメントを読んでいたら "Video understanding with vision" と題されたリンクを発見。

https://platform.openai.com/docs/guides/vision より

こちらのページ。

Processing and narrating a video with GPT's visual capabilities and the TTS API | OpenAI Cookbook

タイトルは "Processing and narrating a video with GPT's visual capabilities and the TTS API" （GPTのビジュアル機能とTTS APIを使ったビデオの加工とナレーション）。

ちょうどiOSから動画フレームを渡して要約させることに成功して、もっとこのあたりを深堀りしたいなと思っていたところだったので、読んでみることにした。