Co je multimodální AI? (A proč to zřídka znamená jeden model)

„Multimodální" se používá pro dvě různé věci a jejich záměna vede ke skutečnému zklamání.

Jeden význam je model, který umí číst víc než jeden druh vstupu — text, obrázky, zvuk, video. Druhý je systém, který umí vytvářet víc než jeden druh výstupu. Skoro žádný jednotlivý model neumí obojí, a propast mezi těmito dvěma fakty vysvětluje, proč postavit „multimodální aplikaci" obvykle znamená propojit několik modelů dohromady.

Čísla naposledy ověřena 26. srpna 2026.

Co je modalita

Modalita je typ dat: text, obrázek, zvuk, video. Model je multimodální, když jich zvládá víc než jeden.

Užitečná otázka nikdy nezní „je multimodální", ale „které modality a kterým směrem" — protože číst a psát jsou zcela odlišné schopnosti.

Co dnešní velké modely skutečně přijímají

Čti napříč, ne dolů. Každý z nich vypisuje pouze text.

Dvě věci bijí do očí.

Gemini čte zvuk a video; Claude a GPT ne. To je právě teď nejzřetelnější rozdíl ve schopnostech mezi velkými rodinami, a není to soud o kvalitě — je to seznam přijímaných typů vstupu. Pokud je tvým vstupem nahraná porada nebo videoklip, tenhle rozdíl rozhodne o tvém modelu dřív než cokoli jiného.

Každá rodina v té tabulce píše text a nic víc. Gemini se umí podívat na video a popsat ho. Vyrobit ho neumí.

Kdo tedy dělá obrázky a videa?

Úplně jiné modely. Jen v katalogu Atlas Cloud vypadá rozdělení takto:

Skoro všechny ty obrázkové a video modely dělají jednu věc: dovnitř text, ven jeden druh média. Nekonverzují, nečtou dokumenty a nejsou to modely z tabulky výše.

Tohle je praktická podoba multimodální AI v roce 2026: textový model, který umí číst několik typů vstupu, plus specializované generátory pro každý typ výstupu, spojené tvým kódem. Ne jeden model, který umí všechno.

Rozdělení uvidíš v indexu modelů — chat, obrázek a video jsou oddělené seznamy, protože jsou to oddělené rodiny modelů.

Kolik multimodální vstup doopravdy stojí

Číst obrázky a dokumenty není zadarmo. Převádějí se na tokeny jako všechno ostatní a Anthropic počty zveřejňuje:

• Jeden obrázek plus krátká instrukce: 1 028 vstupních tokenů
• Jedno PDF plus krátká instrukce: 2 188 vstupních tokenů

Požadavek s dvaceti snímky obrazovky tedy stojí asi 20 000 vstupních tokenů, ještě než začne tvůj prompt. Na Claude Sonnet 5 za 2,00 $ za milion to jsou čtyři centy za požadavek — jednou nepodstatné, při padesáti tisících požadavcích měsíčně skutečné.

Video váží ještě víc, což je částečně důvod, proč ho přijímá méně poskytovatelů.

Kde si multimodalita své místo opravdu zaslouží

• Číst dokumenty, které jsou obrázky. Skeny, snímky obrazovky, účtenky, ručně psané formuláře. Textový model se zrakem nahradí OCR pipeline a poradí si s rozvržením, na které nikdy nebyl trénován.
• Porozumění zvuku a videu. Shrnutí porad, analýza hovorů, popis klipů. Dnes to ukazuje na Gemini, protože je to rodina, která tyto vstupy přijímá.
• Ukotvené generování. Ukaž modelu fotky své značky a nech si napsat texty, které k nim sedí.
• Práce na rozhraní. Dej modelu snímek rozbité stránky a zeptej se, co je špatně.

Kde ne

• Když potřebuješ médium na výstupu. Sáhni po specializovaném generátoru. Od toho je těch 196 video a 121 obrázkových modelů.
• Když by stačil prostý text. Vizuální model čtoucí PDF, které jsi mohl naparsovat, je tisíc tokenů, které jsi nemusel utratit.
• Když „multimodální" dělá marketingovou práci. Model, který čte obrázky, není automaticky lepší na text. Zkontroluj seznam modalit, ne přídavné jméno.

Jak vybírat

1. Napiš si směr. Co dovnitř, co ven. Dva seznamy.
2. Vyber čtenáře podle typu vstupu. Pokud je na seznamu vstupů zvuk nebo video, je mezi velkou trojkou dnes odpovědí rodina Gemini.
3. Každý generátor vybírej zvlášť. Obrázkové, video a zvukové modely se vybírají podle vlastních předností a vlastních cen.
4. Naplánuj rozpočet vstupů. Tisíc tokenů na obrázek, dva tisíce na PDF, vynásobeno tvým skutečným objemem požadavků.

Krátká verze

• Multimodální popisuje, co model čte, co píše, nebo obojí — vždy se ptej, které.
• Gemini čte zvuk a video. Claude a GPT čtou text, obrázky a soubory. Všechny píší jen text.
• Média vytvářejí oddělené specializované modely: 196 video, 121 obrázkových a 20 zvukových u jediného poskytovatele.
• Skutečná multimodální aplikace bývá jeden čtenář plus jeden nebo víc generátorů, spojených tvým kódem.
• Obrázky a PDF stojí zhruba 1 000 a 2 000 vstupních tokenů. Vynásob svým objemem dřív, než kolem nich začneš navrhovat.

Prozkoumej dál na ElliSekiz

Podívej se na rodiny vedle sebe. Index modelů odděluje chat, obrázek, video a zvuk, každý s aktuálními cenami.

Porovnej čtenáře podle ceny. Sazby za tokeny pro každý textový model jsou na srovnávací stránce, v jednotce, v jaké každý poskytovatel účtuje.

Chceš tvořit obrázky a videa, ne kód? Modely pro generování obrázků, videa a řeči zmíněné výše najdeš i v Reelina AI, kreativním studiu pro filmy, reels a příběhy — jeden kreditní zůstatek, žádné API klíče.

Zdroje

• OpenRouter models API, https://openrouter.ai/api/v1/models (vstupní a výstupní modality, čteno 26. 8. 2026)
• API katalogu modelů Atlas Cloud, https://api.atlascloud.ai/api/v1/models (počty podle typu modelu)
• Anthropic — Token counting (počty tokenů obrázku a PDF)