Multimodální znamená, že něco využívá více různých způsobů vnímání nebo komunikace současně – například text, zvuk, obraz či video. Tento přístup se používá hlavně v oblasti umělé inteligence, vzdělávání a komunikace, kde pomáhá lépe chápat a reagovat na složitější situace.

Na rozdíl od jednomodálních systémů, které pracují pouze s jedním typem vstupu (např. jen textem), multimodální přístup spojuje více zdrojů informací a tím dosahuje přesnějších a přirozenějších výsledků. Díky tomu umožňuje strojům chápat svět podobně jako člověk.

📷 Obraz: rozpoznání objektů, tváří nebo scén.
🎙️ Zvuk: analýza hlasu, tónu, intonace.
✍️ Text: zpracování psaného jazyka.
🎥 Video: kombinace obrazu a zvuku v pohybu.

V praxi se multimodální systémy využívají třeba v chytrých asistentech, kteří rozumějí mluvenému slovu i obrazu z kamery, nebo při lékařské diagnostice, kde se propojují rentgenové snímky s popisem pacienta.

Multimodalita je jako orchestr, kde různé nástroje (text, zvuk, obraz) hrají dohromady a vytvářejí harmonický celek porozumění.