生成AIの種類：テキスト、画像、動画、音声AIの違い

プレゼン資料に載せる図がない。解説動画にナレーションを入れたいが録音機材もナレーターもいない。こうした場面でチャットAIに相談しても答えは返ってきません。生成AIをチャットだけだと思っていると、手が止まる場所がここです。

生成AIは扱うデータで四つに分かれる

生成AIは、扱うデータの種類（モダリティ）によってテキスト、画像、音声、動画の四つに分かれます。チャットAIはテキストの一つにすぎません。地図を頭に入れておくと、困ったときに探す先が決まります。

それぞれが人の手を置き換えた場所

テキストAIは、下書き、長い議事録の要約、コードの記述、ネーミング案までを担います。文章作成ではなく、思考の整理と情報処理の道具と考えると使い道が広がります。

画像AIは、言葉で説明するだけで絵を作ります。絵を描くスキルが、説明するスキルに置き換わりました。指定するのは主体、状況、画風、光と構図の四つで、書かなかった部分はAIが勝手に決めます。惜しいときは全部書き直さず、変えたい一点だけを足してください。商用利用の条件はツールごとに違うので、規約を先に読みます。特定の作家の画風の模倣や、実在の人物を実際になかった場面に描くことは避けてください。

音声AIは、音を文字にする文字起こしと、文字を声にする音声合成に分かれます。文字起こしのままでは「えー」が残るので、チャットAIに「決定事項と次にやること」のように抜き出す項目を名指しして整形させて、初めて議事録になります。機密の録音をクラウドに送るなら、学習に使われない設定かを先に確かめます。聞き取れない部分をAIが推測で埋めることもあるので、固有名詞と数字は人が聞き直してください。

動画AIは、テキストや静止画から映像を生成します。複雑な物理の再現にはまだ課題がありますが、絵コンテの動画化やSNS広告の量産では実用段階に入りつつあります。

組み合わせると一人で最後まで作れる

いま起きているのは、これらが一つの窓口に統合されていく動きです。チャットAIに写真を見せて説明させる、テキストから画像を作りその画像を動かして動画にする。この橋渡しをマルチモーダルと呼びます。

四つ全部を使いこなす必要はありません。「文章を書くのが面倒」「資料に良い画像がない」のような、いま抱えている困りごとに一致するものを一つだけ選んで、今日触ってみてください。