コラム · 連載記事

AIが画像・映像・音声まで作る時代、マルチモーダルAIとは?

2026-04-05

カバー画像

マルチモーダル AI とは? — テキストを超えて画像・音声・映像を作る時代

マルチモーダル(Multimodal)AI とは、テキスト・画像・音声・映像など複数の形式のデータを同時に理解し、生成できる人工知能のことです。これまでは「テキスト → テキスト」しかできませんでしたが、今ではテキスト1つで画像を描き、音声を作り、映像まで制作できる時代になりました。


このガイドでは、B2B 営業担当者やビジネスパーソンが今日からすぐ業務に活用できるマルチモーダル AI ツール 4 種類を、ステップごとに実習します。


始める前に — 必要なツールとアカウントの準備

以下のツールを事前に準備しておくと、実習をスムーズに進められます。

活用領域

ツール

費用

会員登録

画像生成

ChatGPT (GPT-4o, DALL·E 3)

無料/Plus $20

openai.com

音声生成

ElevenLabs

無料 月10,000文字

elevenlabs.io

映像生成

Runway Gen-3

無料クレジット125秒

runwayml.com

統合型マルチモーダル

Google Gemini

無料

gemini.google.com

アカウントの作成方法(共通)

  1. 各サイトにアクセスします。

  2. 右上の 「Sign Up」 または 「Get Started」 ボタンをクリックします。

  3. Google アカウントまたはメールアドレスで登録します。

  4. メール認証を完了すると、すぐにご利用いただけます。

💡 実践のヒント: 会社のメールアドレスで登録しておくと、後でチーム共有をするときに管理しやすくなります。無料プランだけでも、このガイドの実習はすべて完了できます。


実習ステップ1 — AI で提案書用の画像を作る(ChatGPT + DALL·E 3)

業務シナリオ

B2B の営業担当者が、お取引先に送る提案書にオーダーメイドのイラストを入れたい場面です。デザイナーに依頼すると3日かかりますが、AI なら30秒で済みます。

Before / After 比較

項目

Before(従来のやり方)

After(マルチモーダルAI)

所要時間

デザイナーに依頼して2〜3日

30秒〜2分

費用

1件あたり5〜15万ウォン(約1.8万円)

月額 $20(無制限)

修正回数

2〜3回(追加費用あり)

何度でも即座に修正可能

カスタマイズ性

コミュニケーションの齟齬が起こりうる

プロンプトで正確に指示

操作方法

ステップ1: ChatGPT にアクセス

  • ブラウザで chat.openai.com にアクセスします。

  • ログインすると、メインのチャット画面が表示されます。

ステップ 2:モデルを確認

  • 画面上部の中央にモデル名が表示されます。

  • **「GPT-4o」**が選択されているか確認します。(クリックして変更できます)

ステップ 3:画像生成プロンプトを入力

  • 下部のメッセージ入力欄に、以下のプロンプトをコピーして貼り付けます。

プロンプト例1 — 提案書の表紙画像:

「B2B SaaS ソリューションを紹介する提案書の表紙画像を作って。すっきりした青系のビジネスイラストで、クラウドサーバーとつながる複数の企業ビルが見える構図。テキストは入れず、16:9 の比率で作って。」

ステップ4: 結果の確認と修正

  • 約 15〜30 秒で画像が生成されます。

  • 気に入らない場合は、具体的な修正リクエストを追加で入力します。

  • 例: 「背景色をもう少し濃いネイビーに変えて」、「建物の代わりに人々が協働している場面に変えて」

ステップ5: ダウンロード

  • 生成された画像をクリックします。

  • 右上の**ダウンロードアイコン(↓)**をクリックします。

  • PNGファイルとして保存されます。

プロンプト例2 — データ可視化インフォグラフィック:

「自社ソリューション導入前後の比較を示すインフォグラフィックを作って。左は『導入前: 手作業、エラー30%、処理時間8時間』、右は『導入後: 自動化、エラー2%、処理時間30分』。矢印とアイコンを使った、すっきりしたビジネススタイルでお願い。」

💡 実践のコツ: 画像を生成するときに **「テキストは入れないでください」** と明記すると、文字が崩れる問題を防げます。必要なテキストは PowerPoint 上で直接載せるほうが、ずっときれいに仕上がります。


実習ステップ2 — AI でプレゼンのナレーション音声を作る(ElevenLabs)

業務シナリオ

遠方のお取引先に送る動画提案書に、プロ品質のナレーションを入れたい場面です。ナレーターを手配すると費用も時間もかかりますが、AI 音声なら5分以内に完成します。

Before / After 比較

項目

Before

After

ナレーターの手配+録音

1〜2週間、30〜100万ウォン(約12万円)

5分、無料〜月額 $5

編集

再録音が必要

テキストを修正するだけで即反映

多言語対応

言語ごとにナレーターを別途手配

29 言語に即時切り替え

操作方法

ステップ1: ElevenLabs にアクセス

  • ブラウザで elevenlabs.io にアクセスします。

  • ログインするとダッシュボードが表示されます。

ステップ 2:音声合成メニューを開く

  • 左のサイドバーで**「Text to Speech」**をクリックします。

  • または上部メニューの「Speech」タブをクリックします。

ステップ 3:音声を選ぶ

  • 画面上部の 「Voice」 ドロップダウンをクリックします。

  • おすすめの音声: ビジネス用途には 「Daniel」(男性・落ち着いたトーン)または 「Rachel」(女性・プロフェッショナルなトーン)が適しています。

  • **「韓国語」** に対応した音声を選ぶには、検索欄に「Korean」と入力します。

ステップ4: ナレーションテキストの入力

  • 中央の大きなテキスト入力欄に、ナレーション原稿を貼り付けます。

プロンプト例3 — 提案書のナレーション原稿:

「こんにちは、ABC ソリューションズです。本日ご紹介するスマートワークフローシステムは、御社の業務プロセスを大幅に改善します。導入企業の平均業務処理時間は 67% 短縮され、年間約 2億ウォン(約2,392万円)の人件費を削減した事例もあります。これから 3 分間で、主要機能をご案内します。」

ステップ5: 詳細設定

  • Stability スライダー: 右に上げると安定した一貫性のあるトーン、左に下げると感情表現が豊かになります。ビジネス用途には**70〜80%**をおすすめします。

  • Clarity + Similarity Enhancement: 初期値(75%)のままにします。

ステップ6: 生成とダウンロード

  • 下部の「Generate」ボタンをクリックします。

  • 10〜20秒後に音声が生成されます。

  • 再生ボタン(▶)で試聴し、問題なければ **ダウンロードアイコン(↓)** をクリックして MP3 で保存します。

💡 実践のヒント: 文の間に読点(、)や句点(。)を適度に入れると、自然な間が生まれます。強調したい言葉の前に「...」(3 点リーダー)を入れると、少し間を置く効果が出ます。例:「年間約...2億ウォン(約2,392万円)の人件費を削減しました。」


実習ステップ3 — AI で短いプロモーション動画を作る(Runway Gen-3)

業務シナリオ

新製品のリリース案内メールに添付する5秒のモーショングラフィックスクリップが必要です。動画編集のスキルがなくても、テキストだけで作成できます。

Before / After 比較

項目

Before

After

外注の動画制作

1〜4週間、100〜500万ウォン(約60万円)

2分、無料クレジットを活用

修正依頼

フィードバックのループを3〜5回

プロンプトを修正して即座に再生成

簡単なクリップ制作

After Effects の学習が必要

テキスト入力だけで完成

操作方法

ステップ1:Runway にアクセス

  • ブラウザで runwayml.com にアクセスします。

  • ログインすると **「Dashboard」** が表示されます。

ステップ2: 新規プロジェクトを作成

  • 左側のメニューから 「Generate Videos」、またはメイン画面の **「Text/Image to Video」** をクリックします。

  • **「Gen-3 Alpha Turbo」**が選択されていることを確認します(最新モデル)。

ステップ3: テキストから動画を生成

  • 「Text Prompt」 の入力欄に動画の説明を入力します。

プロンプト例 4 — 製品プロモーションクリップ:

"A sleek modern office environment. A holographic dashboard floats above a desk, showing real-time analytics and graphs. Blue and white color scheme. Camera slowly zooms in. Professional, futuristic atmosphere. Cinematic lighting."

参考:Runway は現在、英語のプロンプトで最適な結果が得られます。


ステップ4: 設定を調整

  • Duration: 5秒または10秒を選びます。(無料クレジットの節約のため5秒を推奨)

  • Resolution: 初期値の 720p のままにします。

ステップ 5:生成

  • 「Generate」ボタンをクリックします。

  • 約 1〜3 分で動画が生成されます。

  • プレビューで確認したら、「Download」ボタンを押して MP4 で保存します。

ステップ6: 画像から動画を生成(応用)

  • 実習のステップ1で作った画像を使うこともできます。

  • 「Image to Video」 タブをクリックします。

  • DALL·E 3 で作成した画像をドラッグ&ドロップでアップロードします。

  • プロンプトで、希望する動きを説明します: "Slow camera pan to the right, subtle particle effects floating"

  • **「Generate」**をクリックすると、静止画が自然に動く動画になります。

💡 実践のヒント: 英語のプロンプトが難しい場合は、まず ChatGPT に *「次のシーンを Runway AI の動画生成用英語プロンプトに変えて:現代的なオフィスでデータがホログラムとして浮かび上がるシーン」* と依頼してください。最適化された英語プロンプトを受け取れます。


実習4ステップ — Google Gemini でマルチモーダル分析を行う(画像 → テキスト)

業務シナリオ

競合他社の製品パンフレットの写真、展示会で撮ったブースの写真、お客様から届いた現場写真を AI に見せて、すぐに分析レポートを受け取りたい場面です。

Before / After 比較

項目

Before

After

競合他社のパンフレット分析

手作業での読み込みと整理に2時間

写真1枚をアップロード → 3分

現場写真レポートの作成

写真を見ながら手入力で1時間

AIが写真を分析し、レポートを自動生成:5分

操作方法

ステップ1:Gemini にアクセス

  • ブラウザーで gemini.google.com にアクセスします。

  • Google アカウントでログインします。

ステップ2:画像のアップロード

  • チャット入力欄の左にある 「+」 アイコン、または **画像アイコン(🖼️)** をクリックします。

  • 分析したい画像を選択します。(競合他社のパンフレット写真、名刺の写真、現場写真など)

ステップ3: 分析プロンプトの入力

  • 画像を添付した状態で、テキストのプロンプトを入力します。

プロンプト例5 — 競合パンフレットの分析:

「この画像は競合他社の製品ブローシャーです。次の項目で分析してください:

  1. 主要な製品名と主な機能

  2. ターゲット顧客層の推定

  3. 価格情報(ある場合)

  4. 私たちが差別化できる3つのポイント

  5. このブローシャーのマーケティング戦略の分析

    表形式でまとめてください。」

プロンプト例6 — 展示会の現場写真レポート:

「この写真は、今日見学した IT 展示会のブースの写真です。この写真をもとに、上司に提出する出張報告書を作成してください。ブースに写っている製品、技術キーワード、市場トレンドを分析し、当社の事業への示唆を導き出してください。」

ステップ4: 結果の活用

  • Gemini が画像内のテキスト、レイアウト、デザイン要素まで分析し、レポートを作成します。

  • 結果をコピーして、メール・報告書・Slack のメッセージにそのまま貼り付けられます。

💡 実践のコツ: 名刺の写真を撮ってアップロードし、*「この名刺の情報を CRM 入力用の CSV 形式に整理して」*と指示すれば、展示会で受け取った数十枚の名刺をすばやくデジタル化できます。


実習5ステップ — 4つのツールを組み合わせた統合ワークフロー

ここまで学んだツールをひとつの業務フローとしてつなげると、本当の力を発揮します。

シナリオ:新規導入企業向け提案プレゼンテーションの作成

手順

作業

ツール

所要時間

1

提案書の内容作成と構成化

ChatGPT(テキスト)

15分

2

スライドごとに最適な画像を5枚生成

ChatGPT + DALL·E 3

10分

3

導入企業のホームページをキャプチャ → AI が分析 → 最適なメッセージを導き出す

Gemini(画像→テキスト)

5分

4

主要ページ向けの30秒モーションクリップを制作

Runway Gen-3

5分

5

プレゼン全体のナレーション音声を生成

ElevenLabs

10分

合計



45分

従来のやり方だったら?

  • デザイナーへの画像依頼:3日

  • 動画クリップの外注: 1週間

  • ナレーター収録: 3日

  • 合計所要: 1〜2週間、費用200〜500万ウォン(約60万円)

ステップごとの実行

Step 1: ChatGPT で提案書の骨子を作ります。

  • 「B2B SaaS の提案書を10ページで構成して。顧客は中堅製造業、当社の製品は生産管理の自動化ソリューションです」

Step 2: 各スライドのコンセプトに合った画像を DALL·E 3 で生成します。

  • 1ページ目は表紙、3ページ目は課題提起、5ページ目はソリューション紹介、7ページ目は成果事例、10ページ目はまとめ

Step 3: 顧客企業のウェブサイトをキャプチャして Gemini にアップロードし、顧客企業の Pain Point を分析します。


Step 4: ソリューションのデモ場面を Runway で 5 秒のクリップにし、5 ページ目に挿入します。


Step 5: ナレーション全体を ElevenLabs で生成し、PPT のスライドごとの音声として挿入します。

  • PowerPoint で各スライドを選択 → 挿入 → オーディオ → このコンピューター上のオーディオ → MP3 ファイルを選択


マルチモーダルAI活用時の注意事項

⚠️ 必ず確認すべき事項

  • 著作権: AI 生成画像の著作権ポリシーはツールごとに異なります。商用利用の前に、各サービスの利用規約をご確認ください。

    • ChatGPT/DALL·E 3: 有料プランのユーザーは商用利用が可能

    • Runway: 有料プランで商用利用が可能

    • ElevenLabs: 有料プランでは商用利用が可能

  • 正確性の検証: AI が生成した画像内の文字・数字・ロゴなどは、必ず人が確認してください。

  • 機密情報: 顧客企業の機密情報や社内の戦略資料を外部の AI にアップロードする際は、必ず社内のセキュリティポリシーを確認してください。

  • 開示義務: AI で生成したコンテンツであることを明示すべき場合があります。社内の AI 利用ガイドラインをご確認ください。


まとめ — 明日からすぐ始められる3つのアクション

今日学んだ内容を明日の業務にすぐ活かすための、最小限の行動リストです。

アクション1: 今日(5分)

  • ChatGPT にアクセスして、提案書の表紙画像を1枚作ってみましょう。

  • 上記のプロンプト例1をそのままコピーしてお使いください。

アクション2:今週中(30分)

  • ElevenLabs に登録し、現在進行中の提案書の要約ナレーション 1 本を作ってみましょう。

  • 60秒分あれば十分です。

アクション 3:今月中(2 時間)

  • 実際の顧客ミーティング用の提案書に**統合ワークフロー(5ステップ)**を適用して、マルチモーダルプレゼンテーションを完成させてみましょう。


要点チェックリスト

  • マルチモーダル AI の概念を理解した(テキスト↔画像↔音声↔動画)

  • ChatGPT でビジネス用の画像を生成できる

  • ElevenLabs でナレーション音声を作成できる

  • Runway で短い動画クリップを作成できる

  • Gemini で画像を分析してレポートを作成できる

  • 4 つのツールを組み合わせた統合ワークフローを実行できる

マルチモーダル AI は、もはや技術の専門家だけのものではありません。テキストを入力できる人なら誰でも、画像・音声・動画を作れる時代です。今日の実習で学んだ内容を、明日の業務に一つだけ取り入れてみてください。小さな一歩が、仕事の進め方を大きく変えていきます。

この記事に登場するツール
ChatGPTRunwayElevenLabsGemini
このテーマで社内研修をご検討中ですか?
📚 AIがミスをせずに働くための枠組みづくり — 非開発職向け →📚 AIエージェントで仕上げる業務自動化の実習 →研修コース一覧 →
← コラム一覧 研修のお問い合わせ

コラム一覧

AIでスライドプログラムを作る / ナヌムAI2026-11-02代理店・パートナーを「味方」にするチャネル管理戦略2026-08-09「下手に変えて責められたらどうしよう」— B2B購買担当者のリスク回避心理をどう攻略するか2026-07-11AIを使いこなせる人は決まっています — プロンプトではなく「仕事を任せる力」です2026-07-03AI時代の単純作業からの脱出記:バイブコーディングでバラバラだったプラットフォームを2週間で統合2026-07-02B2Bリードスコアリング、どう設計する? — 営業が本当に求めるMQLの条件2026-06-15週次報告書・議事録・顧客へのメール、AIに任せて1日2時間を生み出す会社員の習慣づくり2026-04-10自分に合ったAI有料プランの選び方: ChatGPT Plus vs Claude Pro vs Gemini Advanced コストパフォーマンス徹底比較2026-04-05AIが画像・映像・音声まで作る時代、マルチモーダルAIとは?2026-04-05自分だけのAI業務アシスタントを作る: ChatGPT GPTs & Claude Projects カスタム設定 完全ガイド2026-04-05AIが「学習」するとはどういう意味か?機械学習の要点をビジネスパーソン目線で解説2026-04-05B2B営業担当者のためのプロンプトテンプレート10選: コールドメール・提案書・商談後フォローまで2026-04-05AIモデルの「パラメーター」と「トークン」とは? 数字で理解するAI性能の秘密2026-04-05プロンプトエンジニアリング入門: AIから望む答えを得る5つの基本原則2026-04-05役割付与の技術:AIに「ペルソナ」を与えると成果物が変わる理由2026-04-05OpenAI・Anthropic・GoogleのAPIキー取得から最初の呼び出しまで、非開発者でも実践できるガイド2026-04-05AIモデルのサイズ比較:GPT-4、Claude、Gemini、Llama… 何が違い、どれを使うべき?2026-04-05ChatGPT、Claude、Geminiの3大AIを一度に比較テストできるワークスペースの設定方法2026-04-05Claudeの登録からProプラン200ドルの価値まで、完全セットアップガイド2026-04-05AIにデータ分析を任せる:ExcelやCSVファイルをアップロードしてインサイトを引き出すプロンプトの書き方2026-04-05ChatGPT、Claude、Gemini の Chrome 拡張機能&ショートカット総まとめ:業務スピードを2倍にする設定方法2026-04-05
コラムをすべて見る →

よくあるご質問

  • 分類: basic
  • 作成日: 2026年4月5日
  • 著者: 金鍾赫(キム・ジョンヒョク) · ナヌム経営コンサルティング

マルチモーダル AI とは? — テキストを超えて画像・音声・動画を作る時代 マルチモーダル(Multimodal)AI とは、テキスト、画像、音声、動画など複数の形式のデータを同時に理解し生成できる人工知能を…

はい、ナヌム経営コンサルティングでは、この記事のテーマに関連するオーダーメイド出張研修とオンライン研修を運営しています。対象者やレベルに合わせて研修プログラムを調整して実施します。