マルチモーダル

「マルチモーダル」は、おちつきAIラジオで、AIの変化を理解するためのキーワードとして渋町が挙げたテーマ。渋町は「何が変わったのか」を理解すると「ジェミ」の理解にもつながるかなと思う、と前置きし、従来の言葉だけを扱うモデルとは異なり、画像など複数のモーダルを扱う点が鍵だと語った。該当箇所を聴く

番組での位置づけ

この回では、渋町が「キーワードはマルチモーダル」と述べ、AIにおいて何が変わったのかを説明するための中心的な言葉として扱っていた。渋町は、それを理解すると「ジェミ」の理解にもつながるかなと思う、と話しており、特定のAIを理解する文脈でもマルチモーダルが重要だと位置づけていた。該当箇所を聴く

「言葉だけ」ではなく複数のモーダルを扱うこと

渋町の説明では、マルチモーダルは、従来の「言葉だけを扱うモデル」との違いを示す言葉として語られていた。番組では、画像など複数のモーダルを扱うことが重要だとされ、単にテキストを処理するだけではないAIの変化を表すキーワードとして紹介された。該当箇所を聴く

Seedream4.0回でのマルチモーダル化

「Nano Banana超え?Seedream4.0で驚くべきポイントは言語間距離。」の回では、Seedream4.0の話題の中で、マルチモーダル化がより具体的に語られた。番組では、マルチモーダル化について「画像を画像として認識できるように」「いろんな表現に対応した、テキストだけじゃなくて」という趣旨で確認しながら、もともとテキストで生成することと、画像を入れて修正することは別だったが、それを「ガッチャンコ」したものとしてSeedream4.0が説明されていた。該当箇所を聴く

この語りでは、マルチモーダルは単に「画像も扱える」という一般的な説明にとどまらず、画像生成AIにおける生成機能とエディット、つまり編集機能を統合する変化として扱われていた。番組内では、この生成と編集の統合が、Seedream4.0が話題になっている正体の一つとして位置づけられていた。該当箇所を聴く

Gemini 3 Flash回での入力認識の速さ

[12月23日:速報回]（ep.27）では、Gemini 3 Flashの話題の中で、マルチモーダルが「入力を読み込む速さ」という観点から語られた。番組内では、画像や動画を入れて「どういう画像ですか」「どういう特徴ありますか」と読み込ませたときの認識がめっちゃ速い、と話されており、複数のモーダルを入力として与えたときの処理の速さが評価されていた。該当箇所を聴く

さらにこの回では、音声入力についても触れられた。番組内では、音声をぶち込んでもまともに文字起こしができるのか、という問いに対して「できる」と確認するやり取りがあり、テキストや画像だけでなく音声を入力として扱い、文字起こしまでこなせる点がマルチモーダルの具体例として語られている。該当箇所を聴く

語られ方の変遷

初期の語られ方では、マルチモーダルは「AIで聞く」言葉として、AIの変化をつかむための入口として提示されていた。渋町は、従来の言葉だけを扱うモデルとの違いとして、画像など複数のモーダルを扱う点を挙げていた。該当箇所を聴く

その後、Seedream4.0回では、マルチモーダル化はより実用上の変化として、テキスト生成と画像を入れた修正・編集が別々だったものを統合する動きとして語られた。つまり番組内でのマルチモーダルは、概念説明のキーワードから、画像生成AIの機能統合を説明する言葉へと、扱われ方が少し具体化している。該当箇所を聴く

そしてGemini 3 Flash回では、マルチモーダルは「出力側の機能統合」だけでなく、「画像・動画・音声を入力として読み込ませたときの認識や文字起こしの速さ・実用性」という、入力処理の観点からも語られるようになった。番組内では、生成・編集の統合という変化に加えて、複数のモーダルを高速に読み取れることが、実際に使ってみての実感として蓄積されている。該当箇所を聴く 該当箇所を聴く

現時点での語られ方

現時点の番組内での語られ方では、マルチモーダルは細かな技術仕様というよりも、「AIで聞く」言葉として提示され、AIの変化をつかむための入口として扱われている。同時に、Seedream4.0回では、生成と編集の統合という具体的な変化を説明する言葉としても使われており、番組内では「テキストだけではない」ことに加えて、「別々だった機能が一つにまとまる」ことを含むテーマとして蓄積されている。さらにGemini 3 Flash回を経て、画像・動画・音声を入力として速く認識し、文字起こしまでこなせるという、入力側の実用性も語られるようになっている。該当箇所を聴く 該当箇所を聴く 該当箇所を聴く

ここにも登場

• Gemini 3 Flash