本文へスキップ

Phi-4-multimodal-instruct

文章・画像・音声を受けるマルチモーダルモデル

公式サイトを見る

Phi-4-multimodal-instruct とは

本モデルはマイクロソフトの基盤モデルと紹介され、文章・画像・音声を受けて文章を返すと説明されている。

できること

  • 自動音声認識と音声翻訳を行う
  • 複数の画像への質疑に答える
  • 音声の要約と音声質疑を扱う

活用場面

  • 音声助手が多言語の音声回答を届ける
  • 教育で視覚と音声から数学や理科を学ぶ
  • 制作者が画像や音声から文章を書く

長所と短所

✓ 良い点

  • 複数画像の入力で図表の理解に対応
  • 音声の要約と音声質疑が挙がる

! 注意したい点

  • 出力は文章のみ
  • 画像は対応形式への変換が先に要る

よくある質問

文脈の長さは?

資料は 128K の文脈長と説明。

挙がる言語は?

資料は文章に英語・中国語・仏語、音声に英語・中国語・独語を挙げる。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法