マルチモーダルとは

マルチモーダルMultimodal
文章だけでなく、画像・音声・動画など複数の種類の情報をまとめて扱えるAIの性質。写真を見せて質問したり、音声で指示したりできます。

もう少し詳しく

初期のチャットAIは文章しか扱えませんでしたが、現在の主要なモデルは、画像を見て内容を説明したり、手書きのメモの写真から文字を読み取ったり、音声で会話したりできます。これを「マルチモーダル」と呼びます。

業務では、「商品の写真を見せて説明文を作る」「ホワイトボードの写真から議事録を起こす」「請求書の画像から金額を読み取る」といった使い方ができます。紙や画像のまま残っている情報を、AIで扱える形にする入り口になります。

業務でのポイント

• 写真・画像をそのまま渡して質問できる
• 手書きや画像の読み取りは、人の名前や数字を必ず確かめる
• 音声での指示は、移動中や手がふさがっている場面で便利

関連する用語

• 生成AI：文章・画像・音声・プログラムなどを、指示（プロンプト）にもとづいて新しく作り出すAIの総称。ChatGPT、Gemini、Claudeなどが代表例です。
• OCR（文字認識）：紙の書類やPDF、画像の中の文字を、AIが読み取って文字データにする技術。請求書や名刺、手書きメモの読み取りに使われます。
• 文字起こし（音声認識）：会議や通話の音声を、AIが文字に変換すること。議事録づくりの材料になり、オンライン会議ツールやスマートフォンのアプリで手軽に使えます。
• 画像生成AI：文章の指示から、イラストや写真のような画像を作るAI。店頭のポスターやサイネージの背景、SNS用の画像づくりに使われます。

AI用語集の一覧に戻る