Vision(画像認識)

ざっくり言うと

イメージ

目のよいアシスタントが隣に座って、資料を一緒にのぞき込んでくれる感じです。これまでは、手元の資料の中身を電話口で読み上げるように説明するしかありませんでした。今は、その資料そのものを見せて「これどう思う？」と聞けます。

正確には

コンピュータービジョンという言葉は、画像や映像を扱うAI技術全体を指します。生成AIのサービスでVisionというときは、マルチモーダルモデルが画像を入力として扱う能力を指すことが多いです。

マルチモーダルとは、文字・画像・音声など複数の形式をまとめて扱えることをいいます（関連：マルチモーダル）。

主要3社のAPI公式ドキュメントに書かれた画像入力形式は、次のとおりです（2026年7月27日確認）。一般向けアプリで添付できる条件とは別なので、実際に使う画面の公式ヘルプもあわせて確認してください。

使うときは、画像と指示文（プロンプト）を一緒に渡します。モデルはその画像を入力として処理し、返ってくるのはテキストが代表的です。ただし出力の形は、使うモデルや機能によって異なります。

Visionでできること

3社の公式ドキュメントを総合すると、代表的な用途は次のとおりです。すべてのモデルが同じ精度・機能を持つ、という意味ではありません。

• 画像の内容説明（写っているもの、その場の様子を説明する）
• 画像内の文字の読み取り（看板・書類・スクリーンショットの文字を抜き出す）
• 図表・グラフの読み解き（棒グラフ・表・チャートを要約する）
• 複数画像の比較（2枚の画像の違いを答える）
• 画像をきっかけにした分類・整理（レシートを項目ごとに仕分ける、など）

VisionとOCRは、目的が違います

画像に対応したモデルは、画像の中の文字を読むOCRのような作業もこなせます。ただし、専用のOCRと同じ仕組みで動くとは限らず、同じ精度も保証されません。

文字を1字も間違えずに写し取りたい場面では、原本と照らし合わせるか、専用OCRの結果と見比べてください。文字をそのまま写すならOCR、意味や文脈をたずねるならVisionです。

画像を読むことと、画像を作ることは別の仕事です

画像を読み取る「画像理解」と、新しい画像を作る「画像生成」は、別のタスクです。ただし、同じサービスやAPIが両方を備えている場合もありますし、画像を入力して編集後の画像を出力する場合もあります。OpenAIの現行ガイドでも、画像の解析と生成・編集は同じ画像関連の機能群として案内されています。

読む仕事と作る仕事は別物です。ただし製品によっては、一つの画面のなかで両方を使えます。

使う場面

個人事業主の活用例

どれも、必要な画像だけを選び、機密情報を伏せてから渡すのが安全な使い方です。

注意点

先に知っておきたいクセ

特にお金が絡む書類、たとえば請求書や確定申告の領収書は、出てきた結果をそのまま使わないでください。金額と日付だけでも目で見て確かめておくと、事故はかなり防げます。

確認のコツは、「AIに読ませる前」と「出てきたあと」を分けて見ることです。読ませる前に見るのは、画像が明るいか、ピントが合っているか、必要な範囲が切れていないかの3点です。出てきたあとは、数字・日付・固有名詞だけを現物と照らし合わせます。

画像の説明や整理は代表的な用途ですが、精度は画像・課題・モデルによって変わります。数字、固有名詞、影響の大きい判断は、最後に人が確認する前提で使ってください。

関連用語

• マルチモーダル — 文字・画像・音声など、複数の種類の情報をまとめて扱えるAIの性質です。
• OCR（文字認識） — 画像やPDFに写っている文字を、検索もコピペもできるテキストに変える技術です。
• テキストから画像生成（Text-to-Image） — ほしい絵の中身を文章で伝えると、AIがその条件に合う画像を作ってくれる技術です。

やってみよう