Explication détaillée
Un modèle multimodal accepte par exemple une image + un texte et produit une réponse écrite, ou un texte et produit une vidéo. Cette unification ouvre des cas d'usage riches : analyse de captures d'écran, vision-langage en robotique, assistants vocaux complets.
Exemples
GPT-4o qui voit et entend
Gemini multimodal
Claude 3.5 lisant des PDF illustrés
Sora pour la vidéo
Questions fréquentes
Tous les LLM sont-ils multimodaux ?
Non : certains restent texte-only. Les modèles multimodaux gagnent du terrain mais sont plus coûteux.
Termes associés
IA générative
Famille de modèles d'IA capables de créer des contenus nouveaux (texte, image, audio, vidéo, code) à partir d'un prompt.
LLM (Large Language Model)
Modèle de langage entraîné sur d'immenses corpus de texte pour comprendre et générer du langage naturel.
Speech-to-Text
Technologie qui transcrit automatiquement la parole en texte écrit.
Text-to-Speech
Technologie qui synthétise une voix réaliste à partir d'un texte écrit.
Vision IA
Capacité d'un modèle d'IA à analyser, comprendre et générer des images ou des vidéos.
Dernière mise à jour : 15/07/2026