マルチモーダルLLM

マルチモーダルLLMとは、従来の文字だけでなく、画像、音声、動画など複数の異なる種類の情報を同時に理解・処理できるAIのことです。最新のスマホやAIアシスタントに搭載され、画面に映るものを認識しながら音声で自然に会話するなど、より人間に近い高度なやり取りを可能にします。