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.

Gyakran ismételt kérdések

Elég az alt szöveg a képeknél?

Alap, de nem elég. Kell környező szöveg, képaláírás és – ha lehet – ImageObject schema. Az AI a jelek kombinációjából ért.

Kell EXIF geotag a helyi képekhez?

Nem elsődleges jel. Hasznos lehet, de ne erre építs: írd bele a helyet az alt-ba, a képaláírásba, és használd a LocalBusiness + ImageObject sémákat.

Melyik formátumot használjam képekhez/videóhoz?

Képnél WebP/AVIF fallbackkel (pl. JPEG); videónál platform (YouTube) + saját beágyazás, felirattal és VideoObject sémával.