GPT-5.5 « Spud » sera-t-il vraiment omnimodal ? Ce que disent les sources officielles

Verdict : le cap multimodal est réel, le modèle Spud ne l’est pas encore

Si l’on entend par « omnimodal » un seul modèle officiel capable de traiter nativement texte, images, audio/voix et vidéo, GPT-5.5 « Spud » ne peut pas être présenté aujourd’hui comme lancé ou confirmé. La formulation la plus rigoureuse est la suivante : OpenAI a publié plusieurs capacités multimodales ou « omni », mais les preuves disponibles les rattachent à GPT-4o, à 4o image generation, à l’API Realtime et à Sora — pas à Spud.

Pourquoi la rumeur paraît crédible

La rumeur Spud « sonne » plausible parce qu’elle colle à une trajectoire déjà visible chez OpenAI. La System Card de GPT-4o emploie bien le vocabulaire d’un modèle « omni » ; 4o image generation est présenté comme lié à un modèle nativement multimodal ; et l’API Realtime met en avant la voix, l’entrée image et les interactions à faible latence dans un cadre produit.

Même logique pour la vidéo : la page officielle de Sora 2 promet de transformer des idées en vidéos avec mouvement et son, la documentation API décrit la génération vidéo avec Sora, et l’application d’exemple Sora permet de générer ou remixer de courtes vidéos à partir de prompts texte et d’images de référence. Tout cela prouve qu’OpenAI dispose d’une ligne produit vidéo. Cela ne prouve pas que cette ligne soit désormais absorbée par GPT-5.5 « Spud ».

Autrement dit, anticiper une intégration plus poussée des modalités est une hypothèse raisonnable. Attribuer à Spud toutes les capacités de GPT-4o, de l’API Realtime et de Sora, en revanche, est un saut que les sources officielles ne permettent pas.

Ce que les documents officiels établissent vraiment

GPT-4o : la meilleure preuve officielle côté « omni »

GPT-4o est aujourd’hui l’un des éléments les plus solides pour parler d’architecture « omni ». OpenAI le décrit comme un modèle omni autorégressif et indique qu’il accepte du texte, de l’audio, des images et de la vidéo en entrée. Cette source soutient l’idée qu’OpenAI travaille déjà sur des modèles capables de traiter plusieurs modalités ; elle ne confirme pas l’existence officielle de GPT-5.5 « Spud ».

4o image generation : l’image est bien dans le récit produit d’OpenAI

Dans sa présentation de 4o image generation, OpenAI explique que la génération d’images devrait être une capacité principale des modèles de langage et la relie à un modèle nativement multimodal. C’est une preuve officielle pour les capacités d’image de 4o, pas une annonce de Spud.

Realtime API : la voix et le multimodal en direct sont déjà productisés

L’API Realtime — une interface destinée aux développeurs — est décrite par OpenAI comme un moyen de créer des expériences multimodales à faible latence. La mise à jour gpt-realtime ajoute notamment un modèle speech-to-speech plus avancé et l’entrée image. La voix et l’interaction en direct font donc partie des capacités publiées par OpenAI ; rien n’autorise pour autant à les présenter comme des fonctions intégrées à Spud.

Sora : la vidéo reste une ligne officielle distincte

Si la question est « OpenAI sait-il générer de la vidéo ? », la réponse est oui : les documents et pages produits renvoient à Sora, à l’API Sora et à l’application d’exemple Sora. Si la question devient « cette génération vidéo est-elle désormais prise en charge par GPT-5.5 Spud ? », les preuves officielles manquent.

Les formulations à éviter pour l’instant

• « GPT-5.5 Spud est sorti » : les traces disponibles viennent principalement de réseaux sociaux ou de contenus générés par des utilisateurs, pas d’une annonce officielle d’OpenAI.
• « Spud est fully multimodal ou omnimodal » : des publications sur X et d’autres sources non officielles utilisent ce vocabulaire, mais cela reste une affirmation non confirmée.
• « Spud va intégrer ou remplacer Sora » : les documents officiels de génération vidéo continuent de pointer vers Sora, l’API Sora et l’application d’exemple Sora.
• « OpenAI a confirmé que Spud unifie texte, image, voix et vidéo » : les preuves officielles disponibles concernent GPT-4o, 4o image generation, l’API Realtime et Sora, pas un modèle nommé Spud.

Ce que cela change pour les développeurs et les équipes produit

Pour une feuille de route produit, GPT-5.5 « Spud » ne devrait pas être traité comme une dépendance disponible ou garantie. La stratégie la plus prudente consiste à découper les besoins selon les produits déjà documentés : GPT-4o et 4o image generation pour le texte et l’image ; Realtime API et gpt-realtime pour les agents vocaux et l’interaction en direct ; Sora et l’API Sora pour la génération ou le remix vidéo.

Si Spud devenait un jour un modèle officiel, les signaux crédibles seraient assez classiques : une page de lancement OpenAI, une system card ou une model card, un identifiant de modèle clair dans la documentation API, ainsi qu’une description précise des capacités et des limites de sécurité. C’est précisément ce qui permet aujourd’hui de vérifier GPT-4o, l’API Realtime et Sora : ils disposent de pages officielles, de cartes système ou de documentation développeur.

La ligne de fond est simple : la stratégie multimodale d’OpenAI est documentée ; le lancement omnimodal de GPT-5.5 « Spud », lui, ne l’est pas. Jusqu’à publication d’une annonce ou d’une documentation officielle, Spud doit rester classé comme une rumeur, pas comme un modèle confirmé sur lequel bâtir une décision technique ou commerciale.