分野別生成AIパスポート 用語集
テキスト・画像・音声・動画の生成AIの用語16語｜生成AIパスポート試験対策
生成AIパスポート試験では、生成AIを「テキスト」「画像」「音楽」「音声」「動画」の5種類に分け、それぞれの仕組み・代表的なサービス・メリット・デメリットが問われます。まず各生成AIがどんなデータから何を作るのか（例：音楽生成AIはMIDIなどから学習しRNNで水増し、動画生成AIはフレームに分割して学習）を押さえ、次にメリット（効率化・アクセシビリティ向上など）とデメリット（偽情報・バイアス・著作権・プライバシー）を比較しながら覚えると得点しやすくなります。
テキスト生成AIてきすとせいせいえーあい★★★
テキスト生成AIとは、自然言語処理と機械学習を組み合わせ、学習した大量の文章データをもとに新しい文章を自動で作り出すAIです。一般に大規模言語モデル（LLM）と呼ばれるものがこれにあたり、代表例はOpenAIのChatGPT、AnthropicのClaude、GoogleのGeminiです。
コード生成こーどせいせい★★☆
コード生成とは、生成AIに自然な言葉で指示を出し、プログラムのソースコードを自動的に作らせることです。テキスト生成AIのメリットの一つとして挙げられ、専門知識が少ない人でも短時間でコードを用意できます。また、人間が書いたコードの誤りを見つけて修正案を示すことにも使えます。
画像生成AIがぞうせいせいえーあい★★★
画像生成AIとは、大量の画像を学習し、文章による指示などをもとに新しい画像を作り出すAIです。基礎となる仕組みの代表例にGAN（敵対的生成ネットワーク）とVAE（変分オートエンコーダ）があり、代表的なモデルとしてStable Diffusion、DALL-E、FLUX.1が挙げられます。
音楽生成AIおんがくせいせいえーあい★★★
音楽生成AIとは、既存の楽曲データから音楽のパターンや構造を学び、新しいメロディーや和音、リズムを持つ音楽を作り出すAIです。MIDIファイルや楽譜から得た音符の並びなどを学習し、人間からの評価を取り入れて再学習を繰り返すことで、人に好まれる音楽を作る力を高めていきます。
MIDIみでぃ★★☆
MIDIとは、電子楽器やコンピュータの間で演奏情報をやり取りするための世界共通の規格です。音そのものではなく「どの高さの音を、どの強さで、いつ鳴らし、いつ止めるか」といった演奏データを記録します。公式テキストでは、音楽生成AIが学習に使う代表的なデータ形式として紹介されています。
音声生成AIおんせいせいせいえーあい★★★
音声生成AIとは、大量の音声データでディープラーニングのモデルを訓練し、人間のような自然な音声を作り出すAIです。音声合成AIとも呼ばれます。学習した声の特徴をもとに音声波形を生成し、音声として出力します。代表例はOpenAIのTTSやElevenLabsです。
TTSてぃーてぃーえす★★☆
TTSとは、Text-to-Speechの略で、文字で書かれた文章を人の声のような音声に変換して読み上げる技術です。公式テキストでは、OpenAIが提供する音声生成AIの例として紹介されています。視覚障がいのある人の情報取得を助けるなど、アクセシビリティの向上にも役立ちます。
音声波形おんせいはけい★☆☆
音声波形とは、空気の振動である音の強弱や高低の変化を、時間の流れに沿って波の形で表したデータです。音声生成AIは、学習した声の特徴をもとに音声合成アルゴリズムでこの音声波形を生成し、最終的にスピーカーから聞こえる音声として出力します。
リップシンクりっぷしんく★★☆
リップシンクとは、人物の口の動きを音声に合わせて同期させる技術です。生成AIの分野では、特定の人物の画像や映像の口元を、別に用意した音声に合わせて自然に動かすことを指します。近年の技術進化により、バーチャルヒューマンの制作などに広く応用されるようになっています。
バーチャルヒューマンばーちゃるひゅーまん★☆☆
バーチャルヒューマンとは、CGやAIの技術によって作られた、実在しないにもかかわらず本物の人間のように見える存在です。見た目だけでなく、音声生成AIで作った声やリップシンクによる自然な口の動きを組み合わせることで、まるで人が話しているような表現ができます。
動画生成AIどうがせいせいえーあい★★★
動画生成AIとは、静止画像を連続的につなげることで、新しい動画を自動的に作り出すAIです。主な手法は画像生成AIと同じくGANやVAEを応用したもので、大量の動画をフレーム単位に分割して学習します。代表例はOpenAIのSora、Runway Gen-3、Luma Dream Machineです。
フレームふれーむ★★☆
フレームとは、動画を構成している1枚1枚の静止画のことです。動画は、少しずつ異なるフレームを短い間隔で次々に表示することで、動いているように見せています。動画生成AIでは、学習用の動画をフレーム単位に分割して前処理し、生成時にはフレーム同士のつながりを自然に保つことが重要になります。
VRぶいあーる★★☆
VRとは、Virtual Realityの略で、日本語では「仮想現実」と呼ばれます。コンピュータで作った仮想空間を、専用のゴーグル（ヘッドマウントディスプレイ）などを通して、まるでその場にいるかのように体験させる技術です。動画生成AIは、VRコンテンツの特殊効果やリアルタイムの映像生成に活用できます。
ARえーあーる★★☆
ARとは、Augmented Realityの略で、日本語では「拡張現実」と呼ばれます。スマートフォンのカメラ映像や専用の眼鏡を通して見た現実の風景に、文字や画像、3Dのキャラクターなどのデジタル情報を重ね合わせて表示する技術です。公式テキストでは、動画生成AIで作る視覚効果の応用先としてVRと並べて紹介されています。
リマスタリングりますたりんぐ★☆☆
リマスタリングとは、すでにある映像や音源を作り直し、画質や音質を高めることです。公式テキストでは動画生成AIのメリットの一つとして、古い映画やビデオを高解像度化する用途が紹介されています。また、異なる映像形式や画面の縦横比に変換することにも活用できます。
アクセシビリティあくせしびりてぃ★★☆
アクセシビリティとは、年齢や障がいの有無、知識や技術の差にかかわらず、誰もが製品やサービス、情報を利用しやすいことを指します。生成AIパスポートの公式テキストでは、音楽生成AIや音声生成AIのメリットとして「アクセシビリティの向上」が挙げられています。