現代の生成AIにおける「マルチモーダルAI（Multimodal AI）」の進化と特徴に関する記述として、最も適切なものを1つ選択してください。
出典生成AIパスポートオリジナル模擬試験
ア
マルチモーダルモデルとは、テキストのフォントサイズや文字色、段落スタイルなどの装飾情報をリッチテキスト形式で自由に変更できるワープロ専用モデルのことである。
イ
マルチモーダルモデルはテキスト以外のモダリティ（画像、音声、動画等）を直接理解できるわけではなく、裏側で外部のOCRソフトや音声変換ソフトを単純に別プロセスとして逐次実行しているだけである。
ウ
テキストだけでなく画像、音声、動画、図表などの異なる種類のデータ形式（モダリティ）を統合的に入力・理解・生成できるモデルであり、ホワイトボードの手書き図の解釈や音声による自然なリアルタイム対話などが可能になっている。
エ
マルチモーダルモデルは画像や音声の認識精度がテキスト処理精度を遥かに超えているため、プロンプトにテキストによる指示を一切含めず画像単体のみを入力することが実務上推奨される。