最終更新日：2022-03-28

【AI用語解説】マルチモーダルAI

マルチモーダルAIとは、複数の入力値（画像・動画、音声、テキストなどのデータ）を元に、AIが総合的に対象を識別する処理のことを指します。

画像から、音声から、という一つの入力値を元に判断するのではなく、画像と音声を組み合わせて、対象の判断を行うことから、より人間の感覚に近い処理ができるため、昨今注目を集めています。

例えば、建物の前のカメラが人間を映しているとき、画像認識だけであれば、「そこに人間がいる」という情報しか識別することができませんが、ここに音声認識のAIを加えることで、映っている人間が発している言葉も認識できるため、「人が助けを求めている」などの判断などもできるようになります。

このように、複数の入力値を元にAIが処理を行うことをマルチモーダルAIと言い、昨今開発が進んています。

他にもAIの用語をご覧になりたい方は、下記のボタンからAI用語集一覧をご覧ください。

この記事を書いた人

AI Marketの編集部です。AI Market編集部は、AI Marketへ寄せられた累計500件を超える開発相談経験を活かし、AI（人工知能）に関する技術や、製品・サービスなどの紹介記事を提供しています。ご興味をお持ちの製品やサービスがありましたら、ぜひご相談ください。