AI Word

マルチモーダル

ひとことで言うと
テキスト・画像・音声・動画など複数の種類の情報を扱えるAI。

一言でいうと：文章だけでなく、画像や音声もまとめて扱えるAIのことです。

やさしく説明すると

モーダル（modal）は「情報の種類」のこと。文章だけを扱うAIは単一モーダルですが、画像を見せて「これは何？」と聞けたり、音声で話しかけられたりするAIをマルチモーダルAIと呼びます。

スマホのカメラを向けて「この植物の名前は？」と聞ける、レシートを撮って家計簿にしてもらう、といった使い方ができるようになりました。

初心者にとっては、実はこれがいちばん実感しやすい進化です。文章を打つより、写真を見せるほうが早い場面はたくさんあります。