マルチモーダル
読み: まるちもーだる
最終更新: 2026-06-05・AI PICKS編集部
定義
文章 + 画像 + 音声 + 動画 を 同時に扱える AI。 GPT-5 / Claude Opus 4.7 / Gemini はすべて対応。
マルチモーダルとは — 詳しく解説
マルチモーダルとは、 文章 + 画像 + 音声 + 動画 等 複数種類のデータを 同時に処理できる AI の特徴。 例えば 画像を見せながら「これは何ですか?」 と質問できる、 PDF を読み込んで要約できる、 音声を聞かせて文字起こし + 議事録化できる、 など。 2026 年の主要 LLM (GPT-5 / Claude Opus 4.7 / Gemini Pro) はすべてマルチモーダル対応で、 単なるテキストチャットボットから 業務全般のアシスタントへ進化している。 実運用では 「画像を読ませる」 だけでなく、 グラフ・図表・スクショから 構造化データを抽出する用途が 一気に普及した。
マルチモーダルに関連するAIツール
関連用語
「LLM / 言語モデル」の他の用語
Artificial Intelligence の略。人間の知能をコンピュータで再現する技術全般を指す。
Large Language Model の略。 膨大なテキストで学習した文章生成 AI。 ChatGPT / Claude / Gemini が代表例。
AI がそれっぽい嘘をつく現象。 学習データに無い情報を推測で生成してしまう。
AI が一度に扱える文章の長さ。 トークン数で表現される (例: Claude Opus 4.7 は 1M トークン)。
AI が扱う文字のかたまり。 日本語は 1 文字 ≒ 1 トークン、 英語は単語 ≒ 1 トークン。 料金計算の単位でもある。
文章・画像・音声・動画 を新規に作り出す AI 技術。 ChatGPT 以降の AI ブームの主役。
AI用語辞典をすべて見てみませんか
12カテゴリ・502語以上を体系的に整理しています
辞典トップへ