多模态Multimodal AI

模态就是信息形式：文字、图片、音频和视频是常见模态，语音属于音频中的一种内容。多模态表示一个模型或系统能结合至少两种形式，不代表它一定支持全部形式。

同一种模态可以出现在两边：语音可以作为输入被转成文字，也可以作为输出把文字回答读出来。判断时要看它是交给 AI 的内容，还是 AI 返回的结果。

能力要看具体模型和产品：不同模型支持的输入、输出和文件类型不同，使用前要分别确认，不能从产品名称或一个上传按钮推断全部能力。