マルチモーダル
テキスト＋画像、テキスト＋音声、テキスト＋動画など、複数の種類のデータを扱えるAIモデル。
GPT-4VやClaude 3以降、Geminiは画像を理解し、Whisperは音声を扱い、Soraは動画を生成する。今のAIの流れはマルチモーダルで、タスクごとにモデルを用意する代わりに、1つのモデルが「見て、聞く」。
テキスト＋画像、テキスト＋音声、テキスト＋動画など、複数の種類のデータを扱えるAIモデル。
GPT-4VやClaude 3以降、Geminiは画像を理解し、Whisperは音声を扱い、Soraは動画を生成する。今のAIの流れはマルチモーダルで、タスクごとにモデルを用意する代わりに、1つのモデルが「見て、聞く」。