Multimodális keresés: képek, videók és hang optimalizálása AI SEO-hoz

A generatív motorok (pl. Google SGE, ChatGPT, Perplexity) egyre gyakrabban vonnak be képet, videót és hangot a válaszaikba. Ha szeretnéd, hogy a te vizuális tartalmaid is megjelenjenek, a klasszikus SEO-n túl multimodális jeleket kell következetesen építened: leíró alt, feliratok, schema markup, Q&A és lokális metaadatok.

Mi az a multimodális keresés, és miért fontos?

A multimodális keresés azt jelenti, hogy az AI a szöveg mellett képi, videós és hang alapú jeleket is értelmez. Ez a gyakorlatban azt jelenti, hogy egy "hogyan cseréljek SSD-t MacBookban?" kérdésnél a rendszer videóból és képsorozatból is idézhet – nem csak cikkből. Alapozó cikkek: Mi az az AI SEO?, Mi az az AEO?, GEO – Generative Engine Optimization.

Képoptimalizálás – a 7 fő jel

• Beszédes fájlnév: budapest-laptop-szerviz-ssd-csere.jpg
• Leíró alt és képaláírás: mit ábrázol, hol készült, milyen lépés.
• Környező szöveg és címkék: az LLM-ek a kép környezetét is "olvassák".
• Strukturált adatok (ImageObject): forrás, szerző, felbontás, tárgyalt entitások.
• Egyediség: saját fotók > stock – erős E-E-A-T jel.
• Formátum és teljesítmény: WebP/AVIF + méretezett, reszponzív képek.
• Lokális kontextus: helyszín említése, ha releváns (utca/kerület/város).

Videóoptimalizálás – hogy idézhető legyen

• Felirat és átirat: teljes transcript a lapon; kulcslépések időbélyegekkel.
• Videó leírása Q&A-ban: "Kinek szól?", "Milyen eszköz kell?", "Mennyi idő?"
• VideoObject schema: cím, leírás, miniatűr, időtartam, feltöltés dátuma.
• "Kulcspillanatok" szakaszolás: a leírásban időkódok (00:45 – hátlap levétele).
• Belső linkek: a videó a kapcsolódó chunkolt cikk megfelelő szakaszaira mutasson.

Hang és voice – rövid válaszokkal

A hangalapú keresésnél az AI rövid, kimondható válaszokat keres. Adj 1–3 mondatos TL;DR-t és Q&A-t minden fontos szakasz végén. Erről bővebben: hogyan kerülj be a ChatGPT válaszaiba.

Lokális multimodális jelek

• LocalBusiness + ImageObject/VideoObject kombináció a helyi oldalakra – lásd: lokális AI SEO.
• A képeken/videókon látható helyszíneket (utcafront, utcatábla) írd le az alt és leírás mezőben.

Minták – ImageObject és VideoObject JSON-LD

{
"@context": "https://schema.org",
"@type": "ImageObject",
"contentUrl": "https://seoxai.hu/media/ssd-csere-lepesek.jpg",
"license": "https://seoxai.hu/felhasznalasi-feltetelek",
"creator": { "@type": "Organization", "name": "SEOxAI Ügynökség" },
"creditText": "SEOxAI saját fotó",
"caption": "SSD csere 2. lépés – hátlap levétele (Budapest, XI. kerület)",
"representativeOfPage": true
}
---
{
"@context": "https://schema.org",
"@type": "VideoObject",
"name": "MacBook SSD csere – teljes útmutató",
"description": "Lépésről lépésre videó, időkódokkal és szerszámlistával.",
"thumbnailUrl": "https://seoxai.hu/media/macbook-ssd-thumb.jpg",
"uploadDate": "2025-08-15",
"duration": "PT6M20S",
"embedUrl": "https://www.youtube.com/embed/VIDEO_ID",
"transcript": "00:00 Bevezető... 00:45 Hátlap levétele... 02:10 SSD csere...",
"publisher": { "@type": "Organization", "name": "SEOxAI Ügynökség" }
}

Monitoring: működik-e?

• Search Console – Képek/Videók megjelenések; kérdéses lekérdezések átvizsgálása.
• Manuális SGE/Perplexity tesztek – figyeld, idéznek-e képet/videót a válaszokban.
• Platform analitika – YouTube felirat-felhasználás, kulcspillanatok, retention.

Összegzés

A multimodális AI akkor idéz, ha egyértelmű jeleket kap: leíró alt, feliratok, schema, Q&A és lokális kontextus. Gondolkodj chunkokban, jelöld a kulcslépéseket, és kösd össze a vizuális tartalmat a magyarázó cikkekkel – így leszel forrás a válaszban.