GPT-5.5 Spud: подтверждала ли OpenAI «всемодальную» модель?

Итог проверки: мультимодальность подтверждена, Spud — нет

Если под «всемодальной» моделью понимать один официальный ИИ, который нативно работает с текстом, картинками, голосом и видео, то GPT-5.5 Spud нельзя описывать как выпущенную или подтверждённую модель. Корректнее формулировать так: у OpenAI уже есть публичные мультимодальные возможности, но доказательства относятся к другим продуктам и документам.^{[12][15][18][20][21][23]}

Почему слухи о Spud выглядят правдоподобно

Слух цепляет не на пустом месте. OpenAI сама использует лексику omni и natively multimodal в официальных материалах: GPT-4o описан как omni-модель, 4o Image Generation — как генерация изображений на базе нативно мультимодальной модели, а Realtime API развивает голосовое и мультимодальное взаимодействие с низкой задержкой.^{[15][18][21][23]}

С видео похожая ситуация. Страница Sora говорит о превращении идей в видео с движением и звуком; документация OpenAI API описывает Video generation with Sora; а Sora sample app позволяет генерировать и remix короткие ролики из текстовых подсказок и референсных изображений.^[12][13][20] Всё это подтверждает, что у OpenAI есть видеонаправление. Но это всё ещё не подтверждает, что видеовозможности перешли в некую модель GPT-5.5 Spud.

Иными словами, предположение о дальнейшем сближении модальностей выглядит логичным. Но приписывать GPT-4o, Realtime API и Sora одному неподтверждённому Spud — это уже скачок от фактов к догадке.

Что официальные источники действительно показывают

GPT-4o: главный официальный аргумент про omni

Самая близкая к «всемодальности» формулировка сейчас находится не вокруг Spud, а вокруг GPT-4o. В GPT-4o System Card OpenAI называет модель autoregressive omni model и пишет, что она принимает текст, аудио, изображения и видео.^[21] Это сильное доказательство того, что OpenAI движется в сторону объединения модальностей. Но оно не является доказательством существования GPT-5.5 Spud.

4o Image Generation: изображения уже встроены в официальную продуктовую историю

OpenAI отдельно описывает 4o Image Generation как полезную генерацию изображений, связанную с нативно мультимодальной моделью, и подчёркивает, что генерация картинок должна быть важной способностью языковых моделей.^[15] Это официальная опора для разговора о картинках — но не релиз Spud.

Realtime API: голосовые агенты уже продуктовая реальность

По официальным материалам, Realtime API позволяет разработчикам строить низколатентные мультимодальные сценарии, а обновление gpt-realtime добавляет более продвинутую speech-to-speech модель, image input и другие возможности для продакшен-голосовых агентов.^[18][23] Поэтому голос и живое взаимодействие — подтверждённое направление OpenAI. Но привязка этих возможностей к Spud пока не подтверждена.

Sora: видео остаётся отдельной и явно названной линией

Если вопрос звучит так: «Есть ли у OpenAI генерация видео?» — ответ да. Официальные документы и страницы указывают на Sora, Sora API и Sora sample app.^[12][13][20] Если вопрос другой — «передана ли генерация видео в GPT-5.5 Spud?» — для этого сейчас нет достаточной официальной базы.

Что не стоит писать как подтверждённый факт

• «GPT-5.5 Spud уже точно выходит или вышла». Доступные следы в основном ведут к соцсетям, пользовательскому контенту и неофициальным публикациям, а не к странице OpenAI с релизом.^[6][10][11]
• «Spud — fully multimodal или omnimodal модель». Такие формулировки встречаются в X и других неофициальных источниках, но остаются неподтверждёнными утверждениями.^[2][9][10]
• «Spud объединит или заменит Sora». Официальные материалы по видео сейчас продолжают указывать на Sora, Sora API и Sora sample app.^[12][13][20]
• «OpenAI подтвердила, что Spud объединяет текст, изображения, голос и видео». Официальные доказательства относятся к GPT-4o, 4o Image Generation, Realtime API и Sora, а не к Spud.^{[12][15][18][20][21][23]}

Практический вывод для разработчиков и продуктовых команд

Если вы планируете продукт, не стоит закладывать GPT-5.5 Spud как уже доступную или гарантированную зависимость. Более надёжная схема — проектировать под опубликованные продукты: текст и изображения смотреть через GPT-4o и 4o Image Generation, голосовых агентов и живой диалог — через Realtime API/gpt-realtime, видео и remix — через Sora и Sora API.^{[12][13][15][18][20][21][23]}

Если Spud когда-нибудь станет официальной моделью, проверяемыми сигналами будут не посты в соцсетях, а страница релиза OpenAI, system card или model card, формальный идентификатор модели в API-документации и описание возможностей, ограничений и безопасности. Именно поэтому GPT-4o, Realtime API и Sora сейчас можно обсуждать предметно: для них есть официальные страницы, system card или документация для разработчиков.^{[12][18][20][21][23]}

Итог простой: у OpenAI есть подтверждённая мультимодальная стратегия и отдельные продукты для текста, изображений, голоса и видео. У GPT-5.5 Spud как официально подтверждённой «всемодальной» модели — пока нет такой доказательной базы.^{[1][2][9][10][11][12][15][18][20][21]}