生成AI種類の全体像｜テキスト・画像・動画・音声の違いと中小企業が始める順番

「生成AI 種類」と検索すると、4つと書いてある記事もあれば7つと書いてある記事もあって、結局どれが正しいのか分からなくなります。中小企業の経営者や担当者から、この質問をよく受けます。

結論から言います。何が出てくるかを基準に分ければ、テキスト・画像・動画・音声の4つです。記事によって数が違うのは、分け方の基準が違うからです。

ただし、4つあるからといって全部そろえる必要はありません。急いで手を広げると、使うことより社内の管理のほうが先に追いつかなくなります。

この記事では、4つの違いと、中小企業がどの順番で手をつけるかを整理します。公的な調査で確かめられることと、まだ確かめられていないことは分けて書きました。数字の出どころもそのつど示します。

生成AIとは？種類は大きく4つに分かれる

テキスト・画像・動画・音声｜違いは「出てくるもの」だけ

生成AIとひとくくりに呼ばれるものも、仕組みの土台はほぼ共通しています。大量のデータから「次に来るもの」を予測して作り出すという点は、どの種類でも変わりません。

違うのは、出てくるものの種類だけです。文章が出てくればテキスト生成AI、画像なら画像生成AI、動画なら動画生成AI、音声なら音声生成AIと呼ばれます。

料理人がひとりでも、和食を作れば和食、洋食を作れば洋食と呼ばれます。生成AIも同じで、出てくるものの種類で呼び名が変わります。

AIと生成AIの関係が曖昧なままだと、分類の話も入ってきません。まずは生成AIとAIの違いから押さえてください。

4種類あるのに、調査は「生成AI」をひとかたまりで数えている

総務省『令和8年版情報通信白書』（2026年7月24日公表）によると、自社の何らかの業務で生成AIを利用していると回答した日本企業は86.4%でした。2024年度調査から大幅に上がっています。

では、その中身として4種類のどれが使われているのか。ここから数字が急に少なくなります。

中小企業基盤整備機構『中小企業のAI等の利活用に係る実態調査』（2026年3月公表、AI導入済み企業n=322、複数回答）では、活用しているAIとして最も多かったのが「生成AI（文章・資料作成、アイデア出し）」の82.6%でした。ただしこの数字から、種類ごとの内訳は読み取れません。

そもそもこの調査に、画像生成AI・動画生成AI・音声生成AIという選択肢はありません。

ポイント：生成AIの種類はテキスト・画像・動画・音声の4つ。ただし公的な調査は「生成AI」をひとかたまりで数えており、種類ごとの内訳はまだ分かっていません。

テキスト生成AI｜最初の1種類に向いているのはここ

4つのうち、いちばん負担が軽く、失敗しても社外に出にくいのがこの種類です。代表的な存在がChatGPTで、文章に関わる仕事のほとんどに使えます。

入口になるのは、同じ形の文章を何度も書いている仕事です。見積書に添える送付状、採用応募への一次返信、よくある問い合わせへの返答、会議の議事録の要約あたりが当てはまります。ゼロから書かせるのではなく、下書きを出させて人が直す形にすると失敗が減ります。

社内文書のトーンを揃えたいときは、指示の文を工夫するより、過去に自分が書いた同じ種類の文書を3通ほどそのまま貼るほうが早いです。「この3通と同じ書き方で、次の内容の下書きを作ってください」と続けると、言い回しがかなり近づきます。

うまくいった指示文は、その場で1つのメモに貼っておいてください。次から同じ文面を使い回せます。手順書を作る必要はありません。

最後は必ず人が読んで確認する運用を、最初から決めておいてください。数字と固有名詞は、AIが平気で間違えるところです。

社外にそのまま出る文章や、金額と納期が絡む文書は、慣れるまで下書きどまりにしておくほうが安全です。

画像生成AI・動画生成AI・音声生成AIで何が作れるか

ここからは、テキスト以外の3つを見ていきます。得意なことも、今どこまで実務で使えるかも、それぞれ違います。

画像生成AI｜チラシ・SNS投稿のビジュアル案を出す

画像生成AIは、指示文を打ち込むと、それに沿った画像を数十秒で作る仕組みです。

新商品のチラシをデザイナーに発注する前に、方向性を何パターンか出して社内で選ぶ使い方が現実的です。求人ページに添えるイメージ画像の下描きにも使われています。

• チラシ・POPの案出し
• SNS投稿の背景画像
• 企画書のイメージ図

動画生成AI｜商品紹介と採用広報の短尺動画

動画生成AIは、テキストや静止画をもとに短い動画を組み立てる仕組みです。商品紹介や、採用ページに載せる会社紹介の短尺動画で使われ始めています。

画像より扱う情報が増える分、思ったとおりの仕上がりになるまで作り直す回数が増えます。台本を先に固めておくと、素材づくりの手戻りが減ります。

音声生成AI｜文字起こしと、電話の一次応答

音声生成AIは、文字を読み上げる音声を作ったり、録音した音声を文字に起こしたりする技術です。このうち文字起こしは文章の仕事の延長なので、いちばん試しやすいところです。

先ほどの中小機構の調査でも、「音声認識・音声対話AI」を活用していると答えた企業は29.8%ありました。ただしこれは議事録作成や自動応答といった聞き取り側の数字で、音声を作る用途の数字ではありません。

電話の一次応答では、よくある質問への案内を自動化し、担当者は込み入った相談だけに対応する形が広がっています。

「うちは動画も音声もまだ早い」という声をよく聞きます。実際に触ってみると、文字起こしだけでも会議のあとの作業が目に見えて減ります。

テキストも含めた4つを一覧にすると、次のとおりです。

種類	出てくるもの	代表的な業務用途	中小機構調査での扱い
テキスト生成AI	文章	メール文面・議事録要約・資料のたたき台	「生成AI（文章・資料作成、アイデア出し）」に含まれる。この項目全体で82.6%
画像生成AI	静止画	チラシ・SNS投稿のビジュアル案	独立した選択肢なし
動画生成AI	短い動画	商品紹介・採用広報の短尺動画	独立した選択肢なし
音声生成AI	読み上げ音声・文字起こし	議事録の文字起こし、電話の一次応答	独立した選択肢なし

生成AIの仕組みは種類ごとに何が違うのか

4つの違いは、何を予測しているかにあります。テキスト生成AIが予測しているのは、次にくる言葉です。今ある文章の続きとして、いちばんありそうな言葉を選んで並べていきます。

画像・動画・音声は、言葉ではないものを扱います。作り方の仕組みもテキストとは別で、どれか1つを覚えれば残りも分かる、という関係にはなっていません。

動画では、1枚ごとの絵に加えて前後のつながりまで揃える必要があります。人物の服装が途中で変わる、といった破綻が起きるのはこのためです。

音声は、声の高さや間の取り方まで数値として扱います。同じ文章を読ませても、読み方の指定しだいで聞こえ方が変わります。

同じ「桜」という指示でも、テキスト生成AIなら桜の説明文を、画像生成AIなら桜の絵を返します。何を渡すと何が返るのかは、種類ごとに違います。

どの種類でも、予測はあくまで確からしさに基づくもので、必ず正解が出るわけではありません。種類が変わると、人が確認すべきところも変わります。テキストなら書かれている中身、画像や動画なら写っているもの、音声なら誰の声かです。

中小企業はどの生成AIツールから手をつけるか｜兼務前提の3ステップ

生成AIの活用方針を定めている日本企業は68.9%まで伸びました。前年度の49.7%から大きく上がっています（総務省白書）。

ただし企業規模で分けると、大企業の74.0%に対して中小企業は58.1%です。中小企業で「方針を明確に定めていない」と答えたのは31.5%でした。

どの種類がどれだけ使われているかは、ここまで見た2つの調査からは分かりません。順番は自社の負担で決めることになります。ここからは、担当者が他の仕事と兼務している前提で3つに分けます。

兼務の体制でテキストが先に来るのは、文章の仕事はどの会社にもあって、新しい仕事を足さずに始められるからです。出てきたものを人が読んで直せるので、失敗が社外に出にくいという事情もあります。社内に画像や動画を作る仕事がすでにあるなら、そこから始めても構いません。

1. まずテキスト生成AI｜文章の仕事を1つだけ置き換える

最初にやることは1つだけです。いま社内でいちばん多く書いている文書を1種類選び、それだけを下書きから任せるようにします。問い合わせへの返信でも、日報でも構いません。

次へ進む目安は、その1種類が2週間から3週間、下書きを直すだけで回るようになったときです。まだ毎回ゼロから書き直しているなら、種類を増やしても同じことが起きます。

兼務の人の負担を増やさないコツは、新しい仕事を足さないことです。今やっている作業を置き換えるだけにして、勉強会も手順書も作りません。うまくいった指示文をメモに貯めれば足ります。

2. 次に画像生成AI｜社外に出す前の確認を、作る前に決める

最初にやることは、画像を作ることではありません。社外に出す前の確認を、誰が・いつ・何を見るかまで決めてから作り始めます。

誰がは、作った本人以外の1人です。いつは、印刷や投稿にかける直前ではなく、画像ができた時点です。何を見るかは、実在の人物・企業ロゴ・他社の商品が写り込んでいないか、この1点に絞ります。

次へ進む目安は、この確認が声をかけなくても回るようになったときです。見る項目が3つを超えると、兼務の人のところで止まります。増やさないでください。

3. 動画・音声は、必要な場面が来てから

最初にやることは、やらないと決めることです。そのうえで、必要になりそうな場面を1つだけ書き出しておきます。採用ページを作り直すとき、といった具合です。

判断の目安は、その場面が実際に来たかどうかです。来ないうちに触ると、比較検討だけで時間が消えます。

ただし音声には例外があります。会議の文字起こしは文章の仕事の延長なので、ステップ1と一緒に試して構いません。ツールの具体名で迷ったら、生成AIツール選びの失敗しない7つの基準を参考にしてください。

種類ごとにリスクの質が違う｜著作権・声・社内情報

生成AIのリスクは、著作権・情報漏えい・ハルシネーションとひとまとめに語られがちです。実際には、種類によって気をつけるところが違います。

テキスト生成AI｜漏れるのは入力した社内情報

テキスト生成AIで一番注意すべきは、入力した社内情報がどう扱われるかです。顧客名や見積金額をそのまま貼り付けると、サービスによっては学習データに使われる場合があります。

入力してよい情報の範囲を先に決めておいてください。詳しくは生成AI利用時の情報漏洩対策にまとめています。

画像・動画の生成AI｜著作権と、写り込んだ人・ロゴ

画像・動画では、著作権と、写り込んだ人物やロゴが主な論点になります。商用利用できるかどうかはサービスの利用規約ごとに異なり、一律には言えません。使う前に規約を読んで、社内で可否を確定させてください。

音声生成AI｜声は本人のもの、という前提が抜けやすい

音声生成AIで抜けやすいのは、声は本人のものという前提です。声質をクローンして使う場合は、本人の同意が必要になることがあります。社内の人の声を無断で合成する使い方は避けてください。

ポイント：テキストは入れる情報、画像と動画は写っているもの、音声は誰の声か。確認するところが種類ごとに違います。

よくある質問｜生成AIの種類でつまずきやすい5つの疑問

無料で利用できる生成AIはありますか？

多くの種類に無料枠があります。ただし無料版は、入力した内容が学習に使われる設定になっている場合があります。使う前に一度、設定を開いて確認しておきましょう。

生成AIをどれか一つ選ぶなら、どれですか？

テキストを扱う生成AIです。文章の仕事はどの会社にもあり、出てきたものを人が読んで直せるので、失敗が社外に出にくいという理由です。中小機構の調査でも、AI導入済み企業がいちばん多く挙げたのは生成AIでした。

記事によって種類が4つだったり7つだったりするのはなぜですか？

コード生成や会話型AIを独立させるかどうかの違いです。何が出てくるかで分ければ、結局この4つのどれかに当てはまります。

4種類を同時に導入したほうが早いのではないですか？

兼務の体制では、管理のほうが先に崩れます。誰が確認するかを決めないまま種類だけ増えると、社外に出る前の確認が誰の仕事でもなくなります。

画像生成AIで作った画像を、会社のチラシに使ってもいいですか？

商用利用の可否はサービスの利用規約ごとに異なります。規約の確認、人物とロゴの写り込み、公開前の目視確認の3点は必ず行ってください。判断が割れるものは使わないほうが安全です。

まとめ｜生成AIの種類は4つ、でも同時に始めなくていい

最後に要点を3つに絞ります。

• 生成AIの種類はテキスト・画像・動画・音声の4つ
• 公的な調査は「生成AI」をひとかたまりで数えており、種類ごとの内訳はまだ分かっていない
• 4つを一気にそろえず、テキストから順に、必要が出た種類だけ足していく

統計が内訳を教えてくれない以上、どれから始めるかは自社で決めるしかありません。今いちばん時間を取られている文章の仕事を1つ選ぶところからで十分です。そこが回り出してから、次の種類を考えてください。

全部そろえてから始めようとすると、いつまでも始まりません。1つ動かしてから次を考えるほうが、兼務の体制には合っています。

ポイント：生成AIは4種類あっても、使い始めるのは1種類からで足ります。空いた時間は、社内の決めごとづくりに使ってください。

種類のあとに必要になるのは、使い方のルールを社内で共有することです。生成AIの社内ルール作成マニュアルもあわせてご覧ください。

自社の場合はどの種類から始めるべきか、確認の工程を誰に持たせるべきか。相談したい方は、お気軽にどうぞ。