Multimodální AI, která vidí a slyší: příklady z praxe roku 2026
Trendy a praxe8 min čtení6. října 2026
Miroslav Douda · Zakladatel Dotazio

Multimodální AI je umělá inteligence, která kromě textu zvládne i obrázek, zvuk nebo video - vyfotíte rozbitý spotřebič a zeptáte se na řešení, nahrajete zvukový záznam porady a dostanete zápis. V roce 2026 to není experiment z výzkumné laboratoře, ale běžná funkce v nástrojích jako ChatGPT, Gemini nebo Claude. Firmám, obcím i domácnostem to šetří čas tam, kde dřív musel člověk fotku, nahrávku nebo video ručně popsat slovy. Stejný princip - odpovídat z konkrétního podkladu, ne z dohadu - používá i Dotazio, když ze zvukového záznamu porady připraví podklad, ze kterého pak chatbot odpovídá.
Co je multimodální AI a čím se liší od obyčejného textového chatu?
Multimodální AI umí v jednom rozhovoru zpracovat víc než jen psaný text - fotku, zvukovou nahrávku i video. Dřív jste na každý úkol potřebovali jiný nástroj: rozpoznávání textu z obrázku zvlášť, přepis zvuku zvlášť a chat na otázky zase zvlášť. Dnes to zvládne jeden model: nahrajete cokoliv a doptáte se běžnou češtinou, jako byste mluvili s kolegou.
Modely jako ChatGPT, Google Gemini nebo Claude umí vstupy kombinovat tak, že si je nemusíte předem roztřídit. Pošlete fotku spolu s otázkou nebo přiložíte zvukovou nahrávku k psanému kontextu - model si to spojí sám a odpoví na to, co skutečně potřebujete vědět, ne na to, co se ho zeptáte doslova.
Jak funguje AI rozpoznávání obrazu u vyfoceného spotřebiče nebo dokumentu?
Vyfotíte chybovou hlášku na pračce nebo kotli, přidáte otázku „co to znamená a co mám dělat“ a AI rozezná typ zařízení, přečte kód na displeji i text v přiloženém návodu. U běžné poruchy poradí další krok, u složitější doporučí kontaktovat servis - a řekne to rovnou, bez hledání manuálu v šuplíku.
Stejný princip funguje u dokumentů: vyfocenou fakturu, smlouvu nebo ceduli v cizím jazyce přečtete a přeložíte během pár vteřin. Na úřadě se to hodí třeba u poškozené dopravní značky - úředník ji vyfotí, AI popíše, co na ní chybí, a připraví text pro nahlášení technickým službám.
Co umí AI analýza fotek v praxi - e-shop, hotel, restaurace i obec
V e-shopu zákazník k reklamaci přiloží fotku vadného zboží - AI popíše vadu a připraví podklad, se kterým obsluha nemusí ztrácet čas dohledáváním, o co jde. V hotelu se stejný princip hodí na fotky poškození pokoje pro rychlé zadání údržbě.
Restaurace fotkou převede tištěný alergenový přehled nebo jídelníček do textu na web, aniž by ho přepisovala ručně. Obec dostane od občana fotku černé skládky nebo výtluku na silnici - AI z ní sestaví srozumitelný popis pro technické služby, včetně toho, co přesně je na fotce vidět.
„Fotka nebo nahrávka je dobrý začátek dotazu, ne náhrada za spolehlivý zdroj. Nejlíp to funguje v kombinaci: AI rozpozná, co vidí nebo slyší, a odpověď postaví na podkladech, kterým firma nebo obec sama věří.“
Chcete, aby AI na vašem webu odpovídala zákazníkům z vašich vlastních podkladů - ne z dohadů? Vyzkoušejte Dotazio zdarma bez platební karty. Vyzkoušet Dotazio pro firmy
Jak AI zpracuje audio z porady a promění ho v zápis?
Nahrajete zvukový záznam schůzky nebo zastupitelstva a AI ho během pár minut promění v přehledný zápis - kdo co řekl, jaká padla rozhodnutí a jaké úkoly z jednání vyplynuly. Rozezná i víc mluvčích najednou, pokud se příliš nepřekrývají.
V praxi to obcím šetří práci zapisovatele u veřejných zasedání a firmám čas po poradách, kdy se úkoly jinak dohledávaly z paměti. Dotazio jde o krok dál: zvukovou nahrávku porady nebo zasedání nahrajete jako podklad a chatbot z ní pak na webu odpovídá návštěvníkům.
Obce u nás běžně řeší, jak zpřístupnit záznamy zasedání srozumitelně - Dotazio je zpracuje jako běžný podklad vedle vyhlášek a webu obce. Zjistit víc pro obce
Co dokáže AI a video: přepis, souhrn i vyhledávání v záznamu
U videa funguje podobný princip jako u zvuku, jen s obrazovou stopou navíc. AI umí video přepsat na text, vytvořit stručný souhrn a označit časové úseky, kde padlo konkrétní téma - v hodinovém záznamu školení nebo inspekce se tak dostanete rovnou k pasáži, která vás zajímá.
Pro firmy je to užitečné u záznamů z kontrol, prezentací nebo webinářů - místo přetáčení celého videa se zeptáte přímo na to, co potřebujete, a AI ukáže, ve které minutě to zaznělo.
Kde jsou limity multimodální AI a kdy jí nevěřit
Přesnost rozpoznávání obrazu i zvuku není stoprocentní. Rozmazaná fotka, špatné světlo nebo malý detail v rohu snímku snadno vedou k chybnému popisu. U zvuku podobně škodí hluk v pozadí, víc lidí mluvících najednou nebo silný přízvuk - přepis pak obsahuje chyby, které je potřeba dohledat.
AI navíc dokáže u obrázku i zvuku detail „domyslet“ - tedy si ho vymyslet, i když ve skutečnosti není přítomný. U běžné domácí otázky to nevadí, u reklamace, právního dokumentu nebo zdravotní záležitosti si výstup vždycky ověřte, případně nechte navíc zkontrolovat člověkem. Kdy je opatrnost namístě nejvíc:
- Fotka je rozmazaná, tmavá nebo ukazuje jen část problému.
- Nahrávka má silný hluk v pozadí nebo mluví víc lidí najednou.
- Jde o právně závaznou věc - smlouvu, reklamaci, zdravotní záznam.
- Odpověď zní jistě, ale neumíte si ji sami ověřit v originále.
Zdroj: Modelový příklad Dotazio, nejde o reálný průzkum ani měření.
Jak multimodální dotazy mění zákaznickou podporu na webu?
Zákazníci si na multimodální AI ve svém telefonu rychle zvykli a stejné chování čekají i jinde - přiloží fotku k dotazu, místo aby ji složitě popisovali slovy. Obecné AI chaty jako ChatGPT to umí výborně, jenže neznají konkrétní firmu, její ceník ani reklamační podmínky.
AI asistenti napojení na vlastní podklady dnes typicky pracují hlavně s textem a s hlasovými nahrávkami jako zdrojem znalostí - ne s živým příjmem fotek přímo od návštěvníka webu. Dotazio drží stejný princip: zákazník se zeptá česky, chatbot odpoví jen z dokumentů a webu firmy, a co neví, otevřeně řekne a předá kontakt na člověka.
Tip do praxe
Než multimodální AI nasadíte do firmy nebo na obecní web, vyzkoušejte ji nejdřív na vlastních datech - fotce, nahrávce, dokumentu, které dobře znáte. Rychle poznáte, kde je spolehlivá a kde potřebuje lidskou kontrolu.
Časté dotazy
- Jak přesné je dnešní AI rozpoznávání obrazu u nekvalitní fotky?
- U ostré fotky s dobrým světlem se dnešní modely v běžných úkolech - přečtení textu, popis předmětu, rozpoznání typu zařízení - pletou málokdy. U rozmazaného, tmavého nebo přeexponovaného snímku přesnost citelně klesá a model si někdy detail domyslí. U důležitého rozhodnutí je proto dobré výstup ještě ověřit.
- Kam se ukládají fotky a nahrávky, které pošlu do AI chatu?
- Záleží na nástroji. Velké veřejné chaty data zpracovávají na svých serverech, často mimo Evropu, a smluvní podmínky se liší v tom, jestli je smí použít pro další trénink modelu. U citlivých fotek (dokumenty, tváře, rodná čísla) a nahrávek s osobními údaji je vhodné vybírat nástroj s garantovaným umístěním dat v EU, který jasně řekne, k čemu je použije.
- Je bezpečné nahrát AI zvukovou nahrávku porady, kde padnou citlivé informace?
- Do veřejné bezplatné AI citlivou nahrávku raději nevkládejte - nemáte jistotu, kde se zpracuje a jak dlouho se uchová. Pro pravidelné zpracování porad nebo zasedání se vyplatí nástroj s jasnou GDPR politikou a daty v EU, u kterého víte, kdo k nahrávce má přístup.
- Očekávají dnes zákazníci, že jim AI chatbot na webu rozumí i fotce?
- Čím dál víc ano - ze zvyku z telefonu, kde fotku k dotazu přiloží běžně. Obecné AI chaty to nabízí, byznys chatboti napojení na vlastní podklady - včetně Dotazio - se dnes soustředí hlavně na text a hlasové nahrávky jako zdroj znalostí. Živý příjem fotky od návštěvníka je oblast, kterou má smysl sledovat, jak se v dalších verzích nástrojů vyvíjí.
- Pozná AI z fotky i špatně čitelný text nebo rukopis?
- Tištěný text z čitelné fotky přečte spolehlivě i v horší kvalitě snímku. Rukopis je náročnější - u úhledného písma to dnes obvykle zvládne, u složitého nebo staršího rukopisu chybovost roste a výstup je dobré porovnat s originálem.