--- title: "画像・音声も扱うAIで広がる使い方｜AI-Ready.jp" url: https://www.ai-ready.jp/column/multimodal-ai-business/ description: "文字だけでなく画像・音声・動画も扱うマルチモーダルAIで、写真からの記録づくりや音声の要約など、現場の仕事にも使い道が広がっています。取り込む情報に個人が写る・映る場合の配慮と、人が確かめる場面を決めて使うことが大切です。" updated: 2026-11-12 publisher: "フロレンティナ株式会社" --- [柱：ユースケースと効果](https://www.ai-ready.jp/about-ai-ready/use-cases/) # 画像・音声も扱うAIで広がる使い方 執筆：[石田誠](https://www.ai-ready.jp/about/authors/#ishida)更新 2026-11-12最終確認 2026-11-12出典 3件[図解 1点](https://www.ai-ready.jp/zukai/) この記事の結論 文字だけでなく、画像・音声・動画も扱えるAI（マルチモーダルAI）によって、写真からの記録づくりや、音声の要約など、パソコンの前以外の仕事にもAIの使い道が広がっています。取り込む情報に人が写る・映る場合の配慮と、人が確かめる場面を決めてから使うことが大切です。 自社の「ユースケースと効果」の準備度は？[10問・約3分で確かめる（無料・登録不要）](https://www.ai-ready.jp/diagnosis/quick/) 生成AIというと、文章で質問して文章で答えてもらう使い方を思い浮かべる方が多いかもしれません。しかし、いまのAIの多くは、写真や図、音声、動画も入力として受け取れるようになっています。このように、複数の種類の情報を組み合わせて扱えるAIをマルチモーダルAIと呼びます。この記事では、マルチモーダルAIで業務の使い方がどう広がるのか、そして使うときに気をつけたい点を整理します。 この記事でわかること - マルチモーダルAIで、業務の使い方がどう広がるか - 現場の仕事で試しやすい場面 - 画像や音声を扱うときに気をつけたい点 ## マルチモーダルAIで、何が変わるのですか？ これまでの業務のAI活用は、主に文字の情報が対象でした。メールの下書き、資料の要約、文章の翻訳などです。ところが、会社の中には、文字になっていない情報がたくさんあります。現場で撮った写真、手書きのメモ、ホワイトボード、図面、会議や電話の音声、作業の動画などです。 マルチモーダルAIは、こうした情報をそのまま受け取り、文章や表に変えたり、内容を説明したりできます。たとえば、Google が開発者向けに公開している Gemini Live API の案内では、音声・動画・テキストの連続した入力を受け取り、人のような音声ですぐに応答できる仕組みが説明されています（この機能はプレビュー版とされています）。 政府の動きを見ても、2026年7月14日に閣議決定された人工知能基本計画の概要に、マルチモーダルの基盤モデルの開発の推進が挙げられています。画像や音声を扱うAIは、これから業務の道具として身近になっていくと考えられます。 文字になっていない情報を、仕事に生かす マルチモーダルAI 文字になっていない情報現場の写真、手書きのメモ、ホワイトボード、図面、会議や電話の音声、作業の動画 そのまま受け取る 文章や表、内容の説明これまでは主に文字の情報が対象でした 読みながら、自社の現在地を確かめませんか クイック診断は10問・約3分・登録不要です。7つの柱ごとの目安と、「ユースケースと効果」を含めて次に取り組むことがわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/)[結果の解説（30分・無料）](https://www.ai-ready.jp/consult/review/) ## 現場の仕事では、どんな使い方ができますか？ マルチモーダルAIは、パソコンの前に座らない仕事にこそ、使い道があります。試しやすい場面には、次のようなものがあります。 - **点検や作業の記録：** 現場で撮った写真をもとに、点検の記録や報告書の下書きを作る - **手書きの情報の整理：** ホワイトボードや手書きのメモの写真から、文字を読み取って議事メモにまとめる - **図や表の読み取り：** 紙の資料のグラフや表の写真から、数値を表に起こす下書きを作る - **会議や打ち合わせの記録：** 音声から文字起こしをし、要点と決まったことを整理する - **作業手順の資料づくり：** 作業の様子を撮った写真や動画から、手順書のたたき台を作る いずれも、AIに任せきりにするのではなく、AIが作った下書きを人が確かめて仕上げる使い方です。それでも、写真を見ながら一から文章を書く手間に比べると、時間を短くできる場合があります。始めるときは、記録づくりに時間がかかっている業務を一つ選び、実際の写真や音声で試してみるのがよいでしょう。 ## 画像や音声を扱うときは、何に気をつければよいですか？ 画像や音声は、文字よりも多くの情報を含んでいます。写真の隅に別の書類が写り込んだり、会議の音声に社外の人の発言が含まれたりすることもあります。使い始める前に、次の点を決めておきます。 **① 人が写る・映る情報の扱い** 総務省・経済産業省などがまとめた「カメラ画像利活用ガイドブック ver3.0」では、カメラ画像や、顔の特徴から取り出したデータは、特定の個人を識別できる場合に個人情報に当たると整理されています。また、撮影の前に利用目的などを知らせることや、撮影中であることを分かりやすく伝えることが配慮事項として挙げられています。社員や顧客が写る写真や動画をAIで扱う場合は、利用目的を決め、本人に知らせる方法を考えておきます。判断に迷うときは、専門家に確かめてください。 **② 入力してよい情報の範囲** 文字の情報と同じように、会社が契約したサービスを使い、社内の利用ルールで入力してよい情報を決めます。写真を撮る前に、写り込んではいけない物（顧客の書類、画面の表示など）を写さないようにする決まりも役に立ちます。 **③ 人が確かめる場面** 写真の明るさや角度によって、読み取りの誤りが出ることがあります。数値の読み取りや、品質・安全に関わる判断は、人が確かめてから使います。 マルチモーダルAIは、会社の中に眠っている文字以外の情報を、仕事に生かすきっかけになります。配慮すべき点を押さえたうえで、記録づくりの手間を減らすところから試してみてください。 ## 関連するひな形・ガイド・用語 ひな形 - [AIの出力の確認チェックリスト](https://www.ai-ready.jp/templates/ai-output-review-checklist/) - [入力してはいけない情報の一覧](https://www.ai-ready.jp/templates/prohibited-input-list/) ガイド - [文書・画像・音声などのデータの活かし方](https://www.ai-ready.jp/guide/unstructured-data-use/) - [会議の議事録をAIで作る進め方](https://www.ai-ready.jp/guide/ai-meeting-minutes/) - [画像による検品・外観検査へのAIの使い方：撮影条件・判定の基準・人との分担](https://www.ai-ready.jp/guide/ai-visual-inspection/) コラム - [現場で働く人のAI活用：手がふさがっていても使える場面](https://www.ai-ready.jp/column/ai-for-field-workers/) - [音声で対話するAIの業務利用](https://www.ai-ready.jp/column/voice-ai-agents/) 用語 - [マルチモーダルAI](https://www.ai-ready.jp/glossary/multimodal-ai/) - [画像認識](https://www.ai-ready.jp/glossary/image-recognition/) - [音声認識](https://www.ai-ready.jp/glossary/speech-recognition/) - [非構造化データ](https://www.ai-ready.jp/glossary/unstructured-data/) ## よくあるご質問 QマルチモーダルAIとは何ですか？ A文字、画像、音声、動画など、複数の種類の情報を組み合わせて扱えるAIのことです。写真を見せて説明を書かせたり、会議の音声から要約を作らせたりできます。 Q社員や来店客が写った写真や動画をAIに読み込ませてもよいですか？ A特定の個人を識別できる画像は、個人情報に当たる場合があります。利用目的を決めて知らせる、会社が契約したサービスで扱う、必要のない部分は写さない、といった配慮をしたうえで使います。判断に迷うときは、専門家に確かめてください。 Q画像の読み取りの結果は、どのくらい信頼できますか？ A写真の明るさや角度、写っている物の種類によって、読み取りの誤りが出ることがあります。数値の読み取りや、品質・安全に関わる判断に使うときは、人が確かめる手順を残しておくと安心です。 ## この記事に出てくる用語 - [マルチモーダルAI](https://www.ai-ready.jp/glossary/multimodal-ai/) - [要約](https://www.ai-ready.jp/glossary/summarization/) - [生成AI](https://www.ai-ready.jp/glossary/generative-ai/) - [API](https://www.ai-ready.jp/glossary/api/) - [人工知能（AI）](https://www.ai-ready.jp/glossary/artificial-intelligence/) - [人工知能基本計画](https://www.ai-ready.jp/glossary/ai-basic-plan/) - [基盤モデル](https://www.ai-ready.jp/glossary/foundation-model/) - [モデル](https://www.ai-ready.jp/glossary/model/) - [文字起こし](https://www.ai-ready.jp/glossary/transcription/) - [画像認識](https://www.ai-ready.jp/glossary/image-recognition/) - [非構造化データ](https://www.ai-ready.jp/glossary/unstructured-data/) - [音声認識](https://www.ai-ready.jp/glossary/speech-recognition/) ## 「ユースケースと効果」のほかの記事 [この柱の解説 →](https://www.ai-ready.jp/about-ai-ready/use-cases/) [ユースケースと効果AIで変わる法人営業経験とデータを組み合わせる営業の進め方嵐保憲2026-10-25](https://www.ai-ready.jp/column/ai-for-b2b-sales/)[ユースケースと効果AIについてのよくある思い込み「正しく答える」「入れれば効果が出る」を見直す桐谷彰人2026-11-12](https://www.ai-ready.jp/column/ai-common-misconceptions/)[ユースケースと効果AI検索の広がりと、Webサイトの見直し嵐保憲2026-11-12](https://www.ai-ready.jp/column/ai-search-and-websites/) ## 出典 1. [内閣府「第Ⅱ期人工知能基本計画（概要）」（令和8年7月14日閣議決定）](https://www8.cao.go.jp/cstp/ai/ai_plan/aiplan_g_20260714.pdf) 2. [IoT推進コンソーシアム・総務省・経済産業省「カメラ画像利活用ガイドブック ver3.0」（令和4年3月）](https://www.soumu.go.jp/main_content/000803603.pdf) 3. [Firebase「Firebase AI Logic を使用して Gemini Live API を使ってみる」](https://firebase.google.com/docs/ai-logic/live-api/?hl=ja) 最終確認日：2026-11-12 ## 次の一歩 [測るAI-Ready診断（無料）いまの準備状況を、7つの柱で確かめられます。](https://www.ai-ready.jp/diagnosis/) [相談する結果の解説（30分・無料）診断の結果をもとに、オンラインでご説明します。](https://www.ai-ready.jp/consult/review/) [窓口ご相談のお申し込み経営・M&A・事業承継・上場・バリューアップはフロレンティナ、AIの導入・開発・データ・セキュリティ・研修はアメリア・テクノロジーがお受けします。](https://www.ai-ready.jp/consult/apply/) 目次 1. マルチモーダルAIで、何が変わるのですか？ 2. 現場の仕事では、どんな使い方ができますか？ 3. 画像や音声を扱うときは、何に気をつければよいですか？ 4. よくあるご質問 この記事が扱う柱 主に「ユースケースと効果」 [ユースケースと効果の解説](https://www.ai-ready.jp/about-ai-ready/use-cases/) 自社の準備度を確かめる 10問・約3分・登録不要。7つの柱ごとの目安がわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/) --- 出典：フロレンティナ株式会社「画像・音声も扱うAIで広がる使い方｜AI-Ready.jp」 https://www.ai-ready.jp/column/multimodal-ai-business/