マルチモーダル

マルチモーダル（Multimodal）とは、テキスト・画像・音声・動画などの異なる種類のデータ（モダリティ）を組み合わせて入力・処理・出力できるAIモデルの特性を指します。

従来のLLMがテキストのみを扱っていたのに対し、マルチモーダルモデルは「この写真に何が写っていますか？」「この音声を文字起こしして」といった要求を自然言語と組み合わせて処理できます。

代表的なマルチモーダルモデルにはOpenAI GPT-4o、Google Gemini、Anthropic Claude 3.5 Sonnetなどがあります。活用例としては、医療画像の解析、製造業の画像検査、eコマースの商品画像説明生成、音声インターフェースなどがあり、ビジネスの入力インターフェースを大幅に拡張します。