マルチモーダル
テキストだけでなく、画像・音声・動画など複数の情報形式を扱える能力。最近のAIは画像を見て回答するなどの機能を持ちます。
マルチモーダルとは、文章だけでなく、画像・音声・動画など種類の違う情報をまとめて受け取り、扱えることを指します。人が目で見て、耳で聞いて、言葉で話すのを同時にこなすのに近い考え方です。文字に直さなくても、写真や録音をそのまま渡せます。仕事では、図表入りの資料の読み取りや会議の録音の整理、写真を見ての状況説明などの場面で出てきます。
集めたAIニュースでの登場2026年6月2日〜2026年10月16日・19本
このライブラリーが毎朝集めているニュースのうち、この言葉が出た記事の数です。世の中の報道の総量ではありません。
ニュースでの使われ方
マルチモーダルは、新モデルの発表や、AI基盤づくりの連携を伝える記事で使われています。最近はGoogleのGemini、AnthropicのClaude新モデル、NVIDIAのNemotron、PinterestとNVIDIAの基盤構築で出ています。
最近の動きを追うなら10本
この言葉が出た最近の記事です（新しい順。同じ媒体の記事が並びすぎないようにしています）。
ほかの5本を見る
毎朝の読み解きで取り上げた日新しい順
読み解きを読む
セッションで「音声認識は単語を置き換えるだけで思考がなかった」と語られたように、今回のGoogleの発表は、単なる認識精度の向上に留まらない可能性があります。Gemini 3.5 Transcribeは、音声から「こういうことが考えられる」という脳を持つマルチモーダルAIの進化を示唆し、企業が音声データを戦略的な意思決定や新たなサービス開発に活用する上で、本質的な転換点となるでしょう。これにより、音声データから深い洞察を得る競争優位性が生まれると考えられます。
この言葉が多く出る出来事の流れ
同じ出来事の続報を束ねた「出来事の流れ」のうち、この言葉が出た記事の多いものです。
もっと知るなら、見ておく会社と道具
集めた記事で、この言葉と一緒に名前が出た回数の多い会社と道具です。
種に出たところ
道具の種 15件
戦略の種 4件
- Alphabet（Google）2026年2月5日・「Large language models have made it possible to express more natural language queries, vastly improving the types of questions users can ask, and the quality of…」
- 日立製作所2025年6月25日・「インフラ、交通、製造分野におけるDX推進とフロントラインワーカーのウェルビーイング向上をめざし、視覚や力覚等のマルチモーダル情報とロボット動作情報を統合的に学習するAI技術を開発しました。本技術を活用し、人の動作を模倣学習させる「ロボット教示」が可能な双腕ロボットを開発することで、作業負荷の軽減や時間・場所の制約緩和…」
- オムロン2025年6月23日・「言語や動画像などのマルチモーダルな情報源から意図したロボット動作を生成するAI技術としてオムロン サイニックエックス株式会社（以下、OSX）で開発した「ViLaIn（ヴィラン）」を搭載し、片方向であった人と機械のコミュニケーションを、双方向へと進化させました。」
- NEC2025年6月19日・「具体的には、AIの技術領域では、いつでもどこでも使える安心な生体認証技術や、映像認識の強みを生かした外部環境を高度に理解するマルチモーダル基盤モデル技術のほか、業界最高レベルの高速・高精度な応答でお客様の業務を効率化する生成AI技術などを強化しています。さらに、これらの技術を組み合わせることで、複雑な指示・要求に対し…」
セッションで語られたこと
セッションの発言録で、この言葉が出てくる場面です。
このページについて
- 説明の出どころ
- AI戦略実践プロジェクトの用語集（セッションで出てくる言葉をまとめたもの）。説明の文はそこから写していて、このページでは書き足していません。
- 数え方
- このライブラリーが毎朝集めたニュースの見出しと要約に、この言葉（近い言い方を含む）や会社の名前が出た記事を数えています。同じ記事は1回だけ数えます。
- このライブラリー
- AI戦略ライブラリーは、AI戦略実践プロジェクトの一環で作っています。 プロジェクトは、事業を動かす方々がAIを前提にした戦略を実際に作り・動かす実践の場で、月1回のセッションがあります（参加費とお申し込み）。 ほかの言葉は用語集から。