マルチモーダルAIは、画像、音、単語などの複数のデータ形式を同時に処理し、アプリケーションが単に音声だけを聞いたりテキストを読んだりするだけでなく、顔の表情や周囲の詳細も捉えることができるようにします。この技術は、日常のやり取りを簡単で自然なものにしており、コミュニケーションが可能なアプリケーションを使用すると、まるで友達とおしゃべっているような感覚になります。 テキストと画像の両方を効果的に処理できる最初のマルチモーダル大規模言語モデルは、2023年のGPT-4でした。最新のマルチモーダルモデルであるGPT-4o Visionは、非常にリアルな対話を作成することができます。