Grokに画像を読み込ませて中身を聞く

ざっくり言うと

イメージ

文字だけで「英語の画像があって、たぶん料金の話で…」と伝えるのは骨が折れますよね。画像そのものを渡してしまえば、その説明はまるごといりません。

正確には

xAIの製品ページと公式ドキュメントによると、Grokはスクリーンショット・写真・図を分析できます。文章と画像を一緒に渡しての質問も可能です。文字と画像をまとめて扱えるこうした性質を、マルチモーダルと呼びます。

昔のモデル名を覚えておく必要はありません。grok.comや公式アプリで画像を添えて、ふだんの言葉で聞けば大丈夫です。

画像の渡し方

2026年7月27日時点の公式FAQには、次のように書かれています。

• Web・iOS・Androidのチャットでは、入力欄横の「＋アイコン」から画像を選ぶ
• Webではドラッグ&ドロップでも添付でき、同じメッセージへ複数のファイルを追加することもできる

対応形式や上限は、端末やプランで変わります。エラーが出たときは、画面の表示と、記事の最後の「参考ソース」の公式FAQを確かめてください。

「読んでもらう」と「描いてもらう」は別の機能

Grokには、渡した画像を読み解く機能（※原文：Image Understanding / Vision）と、画像を新しく作る機能（※原文：Image Generation / Imagine）があります。

この記事で扱うのは前者、つまり手元にある画像の中身を説明してもらう使い方です。「こんな絵を描いて」と頼むほうはImagineで、別の機能にあたります。ここは分けて覚えてください。

Xで見かけた画像は、検索と突き合わせる

Grokは、必要に応じてX（旧Twitter）の公開投稿やWebをその場で検索して答えられます。画像を読ませたあと、同じ会話の流れで「これ、本当？」と続けて聞けます。

タイムラインには、出どころの分からないスクリーンショットやグラフがよく流れてきます。「拡散希望」と付いた画像もあります。まず画像の中身を文章にしてもらい、そのうえで同じ内容の公式発表や報道があるかを探してもらってください。

ただし、検索するかどうかを決めるのはGrokです。確実に調べてほしいときは、「Xの公開投稿を検索して」「Webでも確認して」と質問に書き添えてください。検索の仕組みはGrokのX（旧Twitter）連携でリアルタイム情報を聞くでくわしく説明しています。

X投稿には、個人の意見も未確認の話も混ざります。誤情報・憶測・冗談・なりすましが、同じタイムラインに並んでいます。Grokが「Xにはこう書かれています」とまとめても、その中身が本当かどうかまでは分かりません。答えにX投稿のリンクが添えられていたら、1つずつ開いて自分で読んでください。

なお、検索が届くのは公開されている投稿だけです。非公開の投稿は対象になりません。

込み入った図表は、Expertモードでじっくり読ませる

決算資料のグラフや、契約書に付いている仕組み図。こうした図は、ぱっと見の説明だけでは足りないことがあります。

2026年7月29日時点のGrokでは、入力欄にモードセレクター（いま選ばれているモード名が出ている部分）があり、Auto / Fast / Expert / Heavyの4つから選びます。じっくり考えてほしいときに選ぶのがExpertです。画像を添えてExpertで送ると、数十秒〜数分かけて検討してから答えが返ってきます。

Autoのままでも、難しい質問ならGrokが自分でExpertに切り替えます。無料プランでもExpertは試せますが、使える回数には上限つきです。モードの詳しい使い分けはGrokのExpertモードで深く考えさせるにまとめてあります。

時間をかけたからといって、答えが正しいとは限りません。丁寧に書かれた説明ほど、正しそうに見えてしまいます。金額・日付・契約の条件は、元の画像と突き合わせて自分で確かめてください。

注意点

学習に使わせたくないときの設定

個人向けのgrok.com・公式アプリでは、SettingsのData Controlsから、新しい会話をモデル学習に使わない設定を選べます。Private Chatの内容は、モデル学習に使われません。

X上のGrokは、設定の場所も適用されるポリシーも別です。こちらはX公式ヘルプで確認してください。どの設定にしていても、不要な個人情報や機密情報は渡さないのが基本です。

読み取った文字は、元の画像でも確かめる

画像の中の文字や数字を、Grokが読み違えることがあります。手書き、かすれた印刷、斜めから撮った写真では特に起きやすいです。

金額・固有名詞・契約の条件は、元の画像を自分の目で見て確かめてください。頼むときに「読めなかった部分は[？]と書いて」と添えておくと、勝手な推測が混ざりにくくなります。

やってみよう

コピーして使える、聞き方の例4つ

パターン1：英語のスクリーンショットを訳してもらう

海外アカウントの投稿を撮ったスクリーンショットを、1枚添付します。

このスクリーンショットに書かれている英文を日本語に訳して。
そのうえで、要点を3行にまとめて。

訳と要点がそろって返ってきます。「価格の話だけ抜き出して」「日付が出てくる部分を教えて」と、続けて絞り込むこともできます。

パターン2：ホワイトボードや手書きメモを書き起こす

打ち合わせで撮ったホワイトボードの写真や、自分の手書きメモを添付します。

この手書きメモを文字起こしして、議事録の形に整えて。
だれが・いつまでに・何をやるかも表にして。
読み取れなかった文字は[？]と書いて。

くずした字も拾って、担当と期限まで並べてくれます。効くのは最後の1行です。これを入れておかないと、読めない部分を勝手に埋められることがあります。

パターン3：Xで流れてきた画像を、そのまま信じない

「拡散希望」と付いた画像や、出どころの分からないグラフのスクリーンショットを添付します。

この画像に書かれている内容を、そのまま文字にして。
そのうえで、同じ内容の公式発表や報道があるか、
Xの公開投稿とWebを検索して確かめて。
根拠にしたリンクも並べて。

画像の中身と、裏が取れたかどうかを分けて答えてもらう頼み方です。リンクが返ってきたら、必ず開いて自分の目で読んでください。ここまでやって、はじめて「確かめた」と言えます。

パターン4：込み入った図表をExpertモードで読ませる

決算資料のグラフや、契約書の仕組み図のスクリーンショットを添付します。入力欄のモードセレクターをExpertに切り替えてから送ってください。

この図が何を表しているか、順番に整理して説明して。
数字の根拠が図のどこにあるかも示して。
読み取れない部分は、推測せずに読み取れないと書いて。

Expertは数十秒〜数分かけて考えます。画面が止まったように見えても、そのまましばらく待ってみてください。返ってきた説明は、元の画像と見比べながら読みましょう。

締めに

画像を1枚貼って、ふだんの言葉で聞く。これだけで、読み取りも翻訳も要約もひととおり返ってきます。

そこにもうひと手間を足してください。Xで見かけた画像は、読ませたあとに「Webでも確認して」と続ける。信じる前に確かめる流れができると、画像の使い道はぐっと広がります。

まずは身近な写真を1枚渡して、「これ何？」と聞くところから始めてみてください！