AI用語集 / マルチモーダル

🧠 基礎

マルチモーダルとは、テキスト、画像、音声、動画など、異なる種類のデータを同時に扱うモデルの能力です。マルチモーダルモデルは、写真を見て内容を説明したり、レポートのグラフを分析したり、音声を聞いて要約したりできます。 世界はテキストだけで成り立っているわけではないため、マルチモーダルはAIの最も重要な開発分野の一つです。実際には、エラー画面のスクリーンショットや書類の写真、会議の録音をチャットにアップロードし、テキストと同じように自然に扱えることを意味します。