Text, obrázek, zvuk, video: jaké vstupy AI model přijme

Modely se na první pohled liší cenou a chytrostí. V praxi ale nejčastěji narazíte na jiný rozdíl: co model přijme jako vstup. Některé umí jen text, jiné i obrázky, zvuk a video — říká se jim multimodální (zvládají víc druhů vstupu než jen text).

Proč na tom záleží

Agent v OpenWorku pracuje s tím, co máte ve složce. A složky nebývají jen text:

• Fotky a skeny — účtenky, papírové smlouvy, vizitky. Model bez obrázkového vstupu je nepřečte vůbec; viz Skeny a fotky dokumentů.
• PDF se skenovanými stránkami — text z nich vytáhne jen model, který „vidí”; viz Práce s PDF.
• Snímky obrazovky — chybová hláška vyfocená na obrazovce je obrázek, ne text.
• Zvuk a video — záznam porady nebo přednášky zpracuje jen hrstka modelů se zvukovým, resp. video vstupem.

Čistě textový model přitom nemusí být horší volba — na texty bývá levnější a rychlejší. Jen musíte vědět, co od něj chtít.

A kam patří Word nebo Excel?

Tady vzniká nejvíc zmatku. Textové soubory zvládne agent s každým modelem — a to platí i pro Word, Excel nebo obyčejné PDF s textem. Agent totiž soubor otevře a modelu předá jeho textový obsah; „vstup” modelu je pak jen text.

Obrázkový vstup potřebujete až ve chvíli, kdy je obsah obrazový:

• fotka nebo sken (i uložené jako PDF),
• obrázky vložené ve Wordu — text okolo přečte každý model, ale co je na vloženém obrázku, „uvidí” jen model s obrázkovým vstupem,
• graf nebo razítko, které existuje jen jako obrázek.

Zjednodušeně: jde o to, co se dá ze souboru vytáhnout jako text. Co jde, zvládne každý model; co zbyde jen jako obraz či zvuk, chce multimodální model.

Co který vstup znamená

Vstup	Co modelu můžete poslat	Typický úkol
text	dokumenty, tabulky, kód	zápisy, přehledy, programování
+ obrázek	fotky, skeny, snímky obrazovky	účtenky do tabulky, čtení skenů
+ soubory	celá PDF se zachovaným rozvržením	dlouhé smlouvy a výkazy
+ zvuk	nahrávky	přepis a shrnutí porady
+ video	videozáznamy	co se děje v záznamu, výtah

Jak si vybrat

1. Podívejte se do složky. Samý text? Stačí textový model (nejlevnější je DeepSeek V4 Flash). Jsou tam fotky, skeny nebo nahrávky? Chcete multimodální model.
2. Výchozí doporučení webu — DeepSeek V4.1 Flash — bere text i obrázky, takže se s ním většina domácností i firem nemusí rozhodovat. Na video sáhněte po GLM 5.3 Flash. Zvuk modely z našeho katalogu nepřijmou — nahrávku nejdřív nechte přepsat na text (Melious to umí levně modelem Whisper).
3. Přesné vstupy každého modelu najdete v katalogu modelů — sloupec Vstupy, s datem ověření.

Kudy dál

• Katalog modelů — vstupy každého modelu s datem ověření.
• Skeny a fotky dokumentů a práce s PDF — kde na vstupech záleží nejvíc.

---

Odkud čerpáme: ceník a vstupy modelů u Melious, přehled modelů na OpenRouter a dokumentace OpenCode Go.