用語集
マルチモーダルまるちもーだる
テキスト・画像・音声・動画など複数種類のデータを組み合わせて扱えること。
テキスト・画像・音声・動画など複数種類のデータを組み合わせて扱えること。
マルチモーダル（multimodal）とは、テキスト・画像・音声・動画といった複数の種類（モダリティ）のデータを、まとめて扱える性質を指します。1種類だけを扱うものはシングルモーダルと呼ばれます。
マルチモーダルなAIは、たとえば「画像を見せて内容を説明させる」「文章から画像を生成する」「音声とテキストを組み合わせて理解する」といったことができます。近年の生成AIは、テキスト入力に加えて画像や音声も入力・出力できるものが増え、応用範囲が大きく広がっています。人間が五感を通じて総合的に理解するのに近い形で情報を扱える点が特徴で、生成AIの進化を示すキーワードとして出題されます。