スマートフォンの普及に伴い，教育分野でデバイスを活用した新しい学習手法が求められている．特に，コロナ禍で遠隔教育が増加し，オンライン学習ツールの需要が高まっている．また英会話学習において，日常的な実践と瞬時のフィードバックが課題となっている．本研究では，スマートフォンアプリを通じてユーザーが撮影した現実画像の状況に基づいてAIが英語の説明を生成し，英会話の練習を提供する手法を提案する．画像と質問に基づいて適切な英語の回答を生成するモデルとしてVisualQuestionAnsweringを採用した．複数モデルで学習と精度を比較し，最も性能の良いモデルの改良，実装，及び検証を行った．