マルチモーダルとは

初期の生成AIは文章だけを扱っていました。いまは画像を読み取れるモデルが主流で、音声を扱えるものも増えています。一方、動画をそのまま理解できるモデルはまだ限られます。どこまで扱えるかはモデルごとに違うため、使う前に対応範囲を確認してください。

実務では、この違いが大きく効きます。手書きのメモを撮影して文字に起こす、グラフの画像から数値を読み取る、会議の録音から決定事項を抜き出す——いずれも入力の手間がなくなります。