Multimodal
Caractéristique d’un modèle ou d’un système d’IA capable de traiter ou de produire plusieurs types de données, appelés modalités, comme le texte, l’image, l’audio ou la vidéo.
Exemple
Un technicien photographie une pièce défectueuse, décrit à l’oral le bruit entendu, et un assistant multimodal lui propose un diagnostic et une référence de remplacement.
Notions liées
IA générative
DébutantCatégorie de systèmes d’intelligence artificielle capables de produire des contenus nouveaux, comme du texte, des images, du son, de la vidéo ou du code, à partir d’une consigne.
Reconnaissance vocale (speech-to-text)
DébutantTechnologie qui transcrit automatiquement la parole, enregistrée ou captée par un micro, en texte écrit, en identifiant les mots prononcés malgré les accents et le bruit ambiant.
Texte vers image (text-to-image)
DébutantTâche d’IA générative qui consiste à produire une image inédite à partir d’une description écrite, le prompt, en interprétant le sujet, le style et la composition demandés.
Synthèse vocale (text-to-speech)
DébutantTechnologie qui convertit un texte écrit en parole audio, avec une voix de synthèse capable de reproduire l’intonation, le rythme et parfois l’émotion d’un locuteur humain.
Vision par ordinateur
DébutantDomaine de l’intelligence artificielle qui permet aux machines d’analyser et d’interpréter des images ou des vidéos, par exemple pour reconnaître des objets, des visages ou du texte.
VLM (modèle vision-langage)
AvancéModèle capable de traiter conjointement des images et du texte, pour décrire une photo, lire un document scanné, analyser un graphique ou répondre à des questions sur une scène.