Text, obrázok, zvuk, video: aké vstupy AI model prijme

Modely sa na prvý pohľad líšia cenou a chytrosťou. V praxi ale najčastejšie narazíte na iný rozdiel: čo model prijme ako vstup. Niektoré vedia len text, iné aj obrázky, zvuk a video — hovorí sa im multimodálne (zvládajú viac druhov vstupu než len text).

Prečo na tom záleží

Agent v OpenWorku pracuje s tým, čo máte v priečinku. A priečinky nebývajú len text:

• Fotky a skeny — bločky, papierové zmluvy, vizitky. Model bez obrázkového vstupu ich neprečíta vôbec; viď Skeny a fotky dokumentov.
• PDF so skenovanými stranami — text z nich vytiahne len model, ktorý „vidí”; viď Práca s PDF.
• Snímky obrazovky — chybová hláška odfotená na obrazovke je obrázok, nie text.
• Zvuk a video — záznam porady alebo prednášky spracuje len hŕstka modelov so zvukovým, resp. video vstupom.

Čisto textový model pritom nemusí byť horšia voľba — na texty býva lacnejší a rýchlejší. Len musíte vedieť, čo od neho chcieť.

A kam patrí Word alebo Excel?

Tu vzniká najviac zmätku. Textové súbory zvládne agent s každým modelom — a to platí aj pre Word, Excel alebo obyčajné PDF s textom. Agent totiž súbor otvorí a modelu odovzdá jeho textový obsah; „vstup” modelu je potom len text.

Obrázkový vstup potrebujete až vo chvíli, keď je obsah obrazový:

• fotka alebo sken (aj uložené ako PDF),
• obrázky vložené vo Worde — text okolo prečíta každý model, ale čo je na vloženom obrázku, „uvidí” len model s obrázkovým vstupom,
• graf alebo pečiatka, ktoré existujú len ako obrázok.

Zjednodušene: ide o to, čo sa dá zo súboru vytiahnuť ako text. Čo sa dá, zvládne každý model; čo zostane len ako obraz či zvuk, chce multimodálny model.

Čo ktorý vstup znamená

Vstup	Čo modelu môžete poslať	Typická úloha
text	dokumenty, tabuľky, kód	zápisy, prehľady, programovanie
+ obrázok	fotky, skeny, snímky obrazovky	bločky do tabuľky, čítanie skenov
+ súbory	celé PDF so zachovaným rozložením	dlhé zmluvy a výkazy
+ zvuk	nahrávky	prepis a zhrnutie porady
+ video	videozáznamy	čo sa deje v zázname, výťah

Ako si vybrať

1. Pozrite sa do priečinka. Samý text? Stačí textový model (najlacnejší je DeepSeek V4 Flash). Sú tam fotky, skeny alebo nahrávky? Chcete multimodálny model.
2. Východiskové odporúčanie webu — DeepSeek V4.1 Flash — berie text aj obrázky, takže sa s ním väčšina domácností aj firiem nemusí rozhodovať. Na video siahnite po GLM 5.3 Flash. Zvuk modely z nášho katalógu neprijmú — nahrávku najprv nechajte prepísať na text (Melious to vie lacno modelom Whisper).
3. Presné vstupy každého modelu nájdete v katalógu modelov — stĺpec Vstupy, s dátumom overenia.

Kadiaľ ďalej

• Katalóg modelov — vstupy každého modelu s dátumom overenia.
• Skeny a fotky dokumentov a práca s PDF — kde na vstupoch záleží najviac.

---

Odkiaľ čerpáme: cenník a vstupy modelov u Melious, prehľad modelov na OpenRouter a dokumentácia OpenCode Go.