マルチモーダル (Multimodal / 多才な能力)

一言でいうと？

文字だけでなく、画像、動画、音声、プログラムなど、多種多様な情報を一度に理解し、処理できる「多才な能力」のことです。

これまでのAIは「耳の聞こえない読書家」のような存在で、テキストしか扱えませんでした。しかし、マルチモーダルなGemini 3.1（ジェミニ）は、目（画像・動画）、耳（音声）、そして口（テキスト・音声合成）をすべて兼ね備えています。

例えば：

• 「この動画の中で、何が起きているか説明して」
• 「この手書き図面を元に、Webサイトを作って」 といった、視覚や聴覚を伴う複雑な依頼が可能です。

なぜこれがすごいの？

人間が世界を感知するのと同じように、AIも世界を「立体的」に捉えられるようになったからです。これにより、コミュニケーションのギャップが埋まり、より高度で直感的なやり取りが可能になります。

🔗 関連キーワード

• [[Gemini]] ：マルチモーダル機能の代表格。
• [[Long Context]] ：大量の動画や音声を一度に読み込める広さ。
• [[Image Generation]] ：言葉から画像を作る逆方向の能力。

Gemini 3.1 Pro のマルチモーダル機能 (Official)