#マルチモーダル

文章だけでなく画像・音声・動画もまとめて扱えるもの

タグの種類：技術　タグの一覧

モデル27

AI用語3

  • マルチモーダルMultimodalテキスト・画像・音声・動画など、複数の種類のデータを入力または出力として扱えることを指します。画像を見て質問に答える、音声で会話する、といった使い方ができます。
  • コンピューター操作Computer UseAI が画面のスクリーンショットを見て、マウスのクリックやキーボード入力を行い、人と同じようにパソコンやブラウザを操作する機能です。API が用意されていないアプリやサイトでの作業を自動化できます。
  • Text-to-XText-to-Xテキストを入力として画像・動画・音声・音楽などを生成することを表す呼び方です。X の部分に出力の種類が入り、Text-to-Image（画像）、Text-to-Video（動画）のように使います。

企業5

  • OpenAIオープンエーアイChatGPT と GPT シリーズのモデルを開発する米国の AI 企業。2026年は ChatGPT にエージェント機能「Work」とコーディングエージェント Codex をまとめ、作業を任せる方向に広げている。
  • GoogleグーグルGemini シリーズのモデルを開発し、検索や Workspace、Android など自社の製品に組み込んでいる。AI の研究開発は Google DeepMind が担う。
  • MetaメタFacebook・Instagram・WhatsApp を運営する米国の企業で、AI アシスタントの Meta AI を自社サービスに組み込んでいる。2026年4月に Meta Superintelligence Labs の最初のモデル Muse Spark を公開した。
  • Alibabaアリババ中国・杭州の大手 IT 企業で、Qwen（通義千問）シリーズの大規模言語モデルを開発している。多くのモデルの重みを公開し、Alibaba Cloud の Model Studio から API でも提供している。
  • ByteDanceバイトダンスTikTok や CapCut を運営する中国の企業で、AI の研究開発は Seed チームが担う。言語モデルの Seed、動画生成の Seedance、画像生成の Seedream などを開発している。