Multimodal Search คืออะไร ค้นด้วยรูป เสียง และกล้อง แล้วเว็บต้องเตรียมอะไร

สวัสดีครับ เคยเห็นกระเป๋าเพื่อนแล้วอยากรู้ว่ารุ่นอะไร แต่พิมพ์ถาม Google ไม่ถูกไหม วันนี้แมวส้มจะเล่าเรื่องที่แก้ปัญหานี้ได้ Multimodal search คือการค้นหาที่ใช้ข้อมูลมากกว่าหนึ่งแบบพร้อมกัน เช่น รูปคู่กับคำถาม เสียงพูด หรือกล้องที่เปิดสด ใน Google มีทั้ง Lens, Circle to Search, การอัปโหลดรูปใน AI Mode และ Search Live สิ่งที่เจ้าของเว็บต้องทำคือให้รูป วิดีโอ และข้อความรอบรูปบอกได้ชัดว่าสิ่งนั้นคืออะไร

Multimodal search คืออะไร ต่างจากการพิมพ์ค้นหาแบบเดิมยังไง

Multimodal search คือการค้นหาที่ผู้ใช้ส่งข้อมูลได้หลาย “โหมด” ในครั้งเดียว ทั้งข้อความ รูปภาพ เสียง และวิดีโอจากกล้อง แล้วระบบเข้าใจทุกส่วนรวมกันก่อนตอบ ต่างจากการค้นแบบเดิมที่ต้องแปลงสิ่งที่เห็นเป็นคำเองก่อน

ลองนึกภาพไปตลาดนัดแล้วเจอผักหน้าตาแปลก แบบเดิมคุณต้องเดาคำมาพิมพ์ว่า “ผักใบหยักสีม่วง” ซึ่งมักไม่เจอ แบบใหม่คือชี้ไปที่ผักแล้วถามแม่ค้าว่า “อันนี้เอาไปทำอะไรกินดี” multimodal search คือการถามแบบชี้ของนั่นแหละ แค่คนตอบเป็น AI

คำว่า “mode” ตรงนี้คือรูปแบบข้อมูล ไม่ใช่ AI Mode ของ Google ใครเคยงงตรงนี้ ไม่แปลกเลย ชื่อมันคล้ายกันจริงๆ

Multimodal search ใน Google มีอะไรบ้าง ณ ตุลาคม 2026

ตอนนี้ Google มีทางค้นด้วยภาพและเสียงหลักๆ 4 ทาง คือ Google Lens, Circle to Search บน Android, การอัปโหลดรูปใน AI Mode และ Search Live ที่คุยด้วยเสียงพร้อมเปิดกล้องได้ ทุกทางมีลิงก์พาคนไปต่อที่เว็บได้

ตัวเลขที่ทำให้แมวส้มหูตั้งคือรายงาน Google 19 พ.ค. 2026 ว่าในสหรัฐฯ การค้นใน AI Mode มากกว่า 1 ใน 6 ครั้งใช้เสียงหรือรูป และการค้นด้วยรูปโตเกิน 40% ต่อเดือน ของไทยยังไม่มีตัวเลขเปิดเผย แต่ทิศทางชัดพอให้เริ่มเตรียมเว็บ

ฝั่งแชตบอตก็ไปทางเดียวกัน ChatGPT รับรูปได้ทั้งแพ็กเกจฟรีและเสียเงิน ส่วน Gemini Live เปิดกล้องให้ AI เห็นสิ่งที่คุณเห็นได้ แต่ทั้งสองค่ายยังไม่ได้อธิบายละเอียดว่าค้นเว็บจากรูปยังไง อ่านรายแพลตฟอร์มต่อได้ที่ ChatGPT SEO และ Gemini SEO

AI เข้าใจรูปแล้วไปหาเว็บของคุณยังไง

คำตอบสั้นคือ AI แปลงรูปเป็นคำค้นหลายชุด แล้วค้นเว็บด้วยคำค้นเหล่านั้นเหมือนการค้นปกติ Google อธิบายไว้ตอนเปิดการค้นด้วยรูปใน AI Mode (7 เม.ย. 2025) ว่า Lens ระบุวัตถุแต่ละชิ้นในรูป Gemini เข้าใจทั้งฉาก แล้วใช้เทคนิค query fan-out ยิงคำค้นหลายชุดเกี่ยวกับทั้งรูปและวัตถุแต่ละชิ้น

เอาง่ายๆ คือ AI เปลี่ยนรูปเป็นประโยคก่อน เหมือนเพื่อนที่ดูรูปแล้วช่วยคิดคำค้นให้ ถ้าหน้าเว็บคุณมีแค่รูปสวยแต่ไม่มีข้อความบอกว่าเป็นอะไร หน้านั้นก็ตอบคำค้นพวกนี้ไม่ได้ กลไก fan-out แบบละเอียดอยู่ใน AI search ทำงานยังไง และ Google AI Mode คืออะไร

ตัวอย่างร้านเสื้อผ้า ลูกค้าถ่ายรูปเสื้อลินินสีครีมแล้วถามว่า “เสื้อแบบนี้ใส่ไปทะเลร้อนไหม” คำค้นที่แตกออกมาอาจเป็น “เสื้อลินินสีครีม คอจีน” กับ “ผ้าลินิน ระบายอากาศ” (ตัวอย่างสมมติ) หน้าสินค้าที่เขียนเนื้อผ้า ทรง และสีไว้ตอบได้ หน้าที่เขียนแค่ “เสื้อสวย ใส่สบาย” ตอบไม่ได้สักข้อ

ดูยังไงว่ามีคนเจอเว็บเราจากการค้นด้วยรูป ใน Search Console

ตั้งแต่ 24 ก.ย. 2026 Search Console มีตัวกรอง search type แบบใหม่ ให้แยก Web เป็น Text-based กับ Multimodal ได้ทั้งในรายงาน Performance ปกติและรายงาน Generative AI Google ระบุว่าข้อมูล Multimodal นับการค้นด้วย Lens, Circle to Search บน Android, การอัปโหลดรูปไปที่ Google Search และเมนูคลิกขวา “Search this image” ใน Chrome

อันนี้แหละที่แมวส้มชอบที่สุดในปีนี้ เพราะก่อนหน้านี้เราได้แต่เดาว่ามีคนส่องกล้องหาสินค้าเราหรือเปล่า ตอนนี้เปิดดูได้เลยว่าหน้าไหนถูกเจอจากรูป ทำตาม 5 ขั้นนี้ได้วันนี้

1. เข้า Search Console แล้วเปิด Performance > Search results
2. กดปุ่ม Search type: Web ด้านบน เลือก Multimodal แล้วกด Apply
3. ไปที่แท็บ Pages ดูว่าหน้าไหนได้ impressions จากการค้นด้วยรูปมากที่สุด
4. ในหน้าต่าง Search type ลองแท็บ Compare เพื่อเทียบ Text-based กับ Multimodal
5. เปิดรายงาน Generative AI แล้วใช้ตัวกรองเดียวกัน จะเห็นว่าหน้าไหนโผล่ใน AI Overviews หรือ AI Mode จากการค้นด้วยรูป

จำไว้ว่ารายงาน Generative AI มีแค่ impressions ไม่มีคลิกและคำค้น รวม AI Overviews กับ AI Mode ไว้ด้วยกัน และจะไม่ขึ้นถ้า impressions น้อยเกินไปหรือตั้งค่า Exclude ไว้ อ่านต่อที่ AI Overview คืออะไร

Image SEO สำหรับ multimodal search ทำอะไรบ้าง

Image SEO สำหรับ multimodal search คือการทำให้ Google รู้ว่ารูปคืออะไรจากหลายทางพร้อมกัน ทั้ง alt text ชื่อไฟล์ ข้อความรอบรูป และตัวรูปเอง คู่มือ AI ของ Google (อัปเดต 10 ก.ค. 2026) เขียนชัดว่าเว็บที่ทำตามแนวทาง image SEO และ video SEO อยู่แล้ว ถือว่าทำเพื่อ generative AI search ไปแล้ว ไม่ต้องมีเทคนิคลับเพิ่ม

alt text ต้องบรรยายสิ่งที่เห็น ไม่ใช่ที่ยัดคีย์เวิร์ด

alt text คือข้อความแทนรูป เหมือนคำบรรยายที่เพื่อนอ่านให้คนที่มองไม่เห็นฟัง Google บอกว่าใช้ alt text ร่วมกับ computer vision และเนื้อหาในหน้าเพื่อเข้าใจรูป แล้วยกตัวอย่างไว้ชัดมาก ดูจากเอกสารจริงได้เลย

แปลงเป็นตัวอย่างร้านไทยให้เห็นภาพ

• แย่ (ไม่มี alt): <img src="IMG_4821.jpg"> Google ต้องเดาเองทั้งหมด
• แย่ (ยัดคีย์เวิร์ด): alt="กาแฟ กาแฟสด กาแฟดี กาแฟเชียงใหม่ ร้านกาแฟ กาแฟถูก" อ่านแล้วไม่รู้ว่าในรูปมีอะไร และ Google เตือนว่าอาจถูกมองเป็นสแปม
• ดีที่สุด: alt="ลาเต้เย็นแก้วพลาสติกใส ชั้นนมกับกาแฟแยกสี วางบนเคาน์เตอร์ไม้ของร้าน" บอกของ ลักษณะ และบริบท ครบในประโยคเดียว

ชื่อไฟล์ ตำแหน่งรูป และรูปของจริง

ชื่อไฟล์ควรสั้นและบอกเนื้อหา Google ยกตัวอย่างว่า my-new-black-kitten.jpg ดีกว่า IMG00023.JPG ถ้าทำเว็บภาษาไทยจะตั้งชื่อไฟล์เป็นไทยก็ได้ Google แนะนำให้แปลชื่อไฟล์ตามภาษาของหน้าและเข้ารหัส URL ตัวอักษรที่ไม่ใช่ละติน (ระบบส่วนใหญ่ทำให้อัตโนมัติ) ส่วนรูปควรวางใกล้ข้อความที่พูดถึงมัน เพราะ Google อ่านคำบรรยายใต้รูปและข้อความรอบๆ ประกอบด้วย

เรื่องรูปของจริง แมวส้มขอพูดตรงๆ Google ไม่ได้ห้ามรูปสต็อก แต่คู่มือ AI ของ Google ขอรูปที่ “high-quality, relevant” สนับสนุนเนื้อหา ในมุมคนทำงาน รูปสต็อกที่ร้อยเว็บใช้ซ้ำกันไม่ได้บอกอะไรเกี่ยวกับร้านคุณเลย ส่วนรูปสินค้าจริงที่ถ่ายเองคือสิ่งที่คู่แข่งก๊อปไม่ได้ (ข้อนี้เป็นความเห็นจากประสบการณ์ ไม่ใช่สิ่งที่ Google ยืนยัน)

อีกข้อเทคนิคที่ Google ย้ำ ถ้าใช้ srcset หรือ <picture> ต้องมี <img src> สำรองไว้เสมอ เพราะบอทบางตัวอ่านแบบอื่นไม่ออก

ImageObject schema ใส่ไว้ช่วยบอกเจ้าของรูป

ImageObject คือ structured data ที่ผูกรูปกับข้อมูลเจ้าของรูป เหมือนป้ายชื่อช่างภาพที่ติดอยู่ใต้รูปในนิทรรศการ เอกสาร image metadata ของ Google บังคับ contentUrl และต้องมีอย่างน้อยหนึ่งใน creator, creditText, copyrightNotice หรือ license ถ้าใส่ license รูปจะมีสิทธิ์ได้ป้าย Licensable ใน Google Images

อยากบอกว่ารูปไหนคือรูปหลักของหน้า Google แนะนำ primaryImageOfPage หรือแท็ก og:image ภาพรวมการใช้ schema อยู่ที่ Schema สำหรับ AI Search

วิดีโอใน multimodal search: key moments และ transcript

วิดีโอจะถูกเข้าใจง่ายขึ้นเมื่อคุณบอก Google เองว่าช่วงไหนพูดเรื่องอะไร (key moments) และมีข้อความที่บอกเนื้อหาของคลิป Google ระบุว่าจะให้ความสำคัญกับ key moments ที่เจ้าของเว็บกำหนดเอง มากกว่าที่ระบบตรวจจับอัตโนมัติ

key moments คือการแบ่งคลิปเป็นตอนๆ พร้อมชื่อ เหมือนสารบัญท้ายเล่มที่บอกว่าบทไหนอยู่หน้าไหน มี 3 ทางให้เลือก และมีจุดหนึ่งที่เว็บไทยพลาดบ่อย ตรงนี้พลาดแล้วเจ็บนะ

• วิดีโอบน YouTube: ใส่ timestamp กับชื่อช่วงในคำอธิบายคลิป เช่น 00:00 เตรียมเมล็ด, 01:45 ตั้งค่าบด
• Clip structured data: ระบุเวลาเริ่ม เวลาจบ และชื่อแต่ละช่วงเอง Google ระบุว่าใช้ได้ทุกภาษาที่ Search รองรับ
• SeekToAction structured data: บอกว่า timestamp อยู่ตรงไหนใน URL แล้วให้ Google หาช่วงเอง แต่รองรับแค่ 12 ภาษา และไม่มีภาษาไทย เว็บไทยจึงควรใช้ Clip หรือ timestamp ใน YouTube แทน

โค้ดนี้อยู่ใน VideoObject ของหน้าดูวิดีโอ (watch page) ที่ถูก index มี thumbnail ที่ Googlebot เข้าถึงได้ และมีชื่อกับคำอธิบายเฉพาะคลิปนั้น

ส่วน transcript ขอบอกตามจริงว่าเอกสาร video SEO ของ Google ไม่ได้พูดถึง แต่แมวส้มยังแนะนำให้ใส่ใต้คลิป เพราะ AI ที่ตอบเป็นตัวอักษรต้องมีข้อความให้หยิบ ถ้าสูตรลาเต้อยู่แค่ในเสียงพูด หน้าเว็บก็ไม่มีประโยคไหนให้ยกไปตอบ “ลาเต้ใช้นมกี่มล.” คนนั่งรถไฟฟ้าที่ลืมหูฟังก็อ่านแทนได้ด้วย

ร้านขายของออนไลน์: รูปสินค้าใน Merchant Center ต้องเป็นแบบไหน

ถ้าขายของ รูปสินค้าใน Merchant Center ต้องผ่านสเปกของ Google ก่อน รูปที่ไม่ผ่านจะไม่แสดงบนพื้นที่ของ Google เลย และคู่มือ AI ของ Google บอกว่า Merchant Center feed ช่วยให้สินค้ามองเห็นได้ทั้งในคำตอบ AI และผลค้นหาปกติ

ข่าวที่ต้องจดไว้คือ ตั้งแต่ 31 ม.ค. 2027 รูปสินค้าทุกชิ้นต้องมีขนาดอย่างน้อย 500 x 500 พิกเซล และ Google แนะนำราว 1500 x 1500 พิกเซลขึ้นไป ใครยังใช้รูปเล็กจากยุคแรกเปิดร้าน เหลือเวลาไม่กี่เดือนแล้วนะ

บนหน้าสินค้าในเว็บก็ต้องสอดคล้องกัน structured data แบบ merchant listing ของ Google บังคับ image ใน Product และบอกว่ารูปที่เห็นสินค้าชัด เช่น พื้นหลังขาว จะดีกว่า

ร้านที่มีหน้าร้าน: รูปใน Google Business Profile

ร้านที่มีที่ตั้งจริงควรอัปรูปใน Google Business Profile ให้ครบและชัด เพราะ Google เองบอกว่า Business Profile ช่วยให้ร้านมองเห็นได้ทั้งในคำตอบ AI และผลค้นหาปกติ สเปกคือรูป JPG หรือ PNG ขนาดไฟล์ 10KB ถึง 5MB แนะนำ 720 x 720 พิกเซล ขั้นต่ำ 250 x 250 พิกเซล ต้องโฟกัสชัด แสงพอ ไม่แต่งหนัก ส่วนวิดีโอยาวไม่เกิน 30 วินาที ไฟล์ไม่เกิน 75MB ความละเอียด 720p ขึ้นไป

ประเภทรูปที่ Google แนะนำคือโลโก้ รูปปก และรูปธุรกิจ เช่น หน้าร้าน สินค้า และบริการ ร้านข้าวมันไก่ก็ควรมีรูปหน้าร้านที่เห็นป้ายชื่อชัดจากมุมที่ลูกค้าเดินเข้ามา และรูปจานจริงแต่ละเมนู ข้อนี้ช่วยคนหาร้านเจอ Google ไม่ได้บอกว่าช่วยอันดับ

เช็กลิสต์เตรียมเว็บรับ multimodal search ใน 1 สัปดาห์

เริ่มจากหน้าที่มีคนเจอผ่านรูปอยู่แล้ว แล้วไล่ทำวันละเรื่องตามลำดับนี้

1. วันที่ 1: เปิด Search Console ตัวกรอง Multimodal จดหน้า 10 อันดับแรกที่ได้ impressions จากการค้นด้วยรูป
2. วันที่ 2: แก้ alt text ของรูปในหน้าเหล่านั้นให้บรรยายสิ่งที่เห็นจริง
3. วันที่ 3: เขียนข้อความรอบรูปให้บอกชื่อรุ่น วัสดุ สี ขนาด และการใช้งาน
4. วันที่ 4: เปลี่ยนรูปสต็อกในหน้าสำคัญเป็นรูปถ่ายจริง และตั้งชื่อไฟล์ใหม่ให้อ่านรู้เรื่อง
5. วันที่ 5: ร้านค้าออนไลน์ตรวจรูปใน Merchant Center ว่าไม่ต่ำกว่า 500 x 500 px และไม่มีข้อความทับ
6. วันที่ 6: ใส่ timestamp หรือ Clip ให้วิดีโอสำคัญ และแปะ transcript ใต้คลิป
7. วันที่ 7: อัปรูปหน้าร้าน เมนู หรือบริการใน Business Profile แล้วลองค้นร้านตัวเองด้วย Lens

ผ่านไป 4 ถึง 6 สัปดาห์ กลับมาเปิดตัวกรอง Multimodal เทียบกับตัวเลขวันแรก แมวส้มไม่สัญญาว่าจะขึ้นเท่าไร แต่คุณจะได้คำตอบจากข้อมูลจริงของเว็บตัวเอง

คำถามที่พบบ่อย

แหล่งอ้างอิง

• Announcing web multimodal Search performance reporting in Search Console โดย Google Search Central Blog (24 ก.ย. 2026)
• Generative AI performance report โดย Google Search Console Help (ตรวจเมื่อ ต.ค. 2026)
• Optimizing your website for generative AI features on Google Search โดย Google Search Central (อัปเดต 10 ก.ค. 2026)
• Google Search Live expands globally โดย Google Blog (26 มี.ค. 2026)
• Have a real-time conversation with Live in Search และ Get AI-powered responses with AI Mode in Google Search โดย Google Search Help (ตรวจเมื่อ ต.ค. 2026)
• How AI Mode is changing and expanding the way people search และ AI Mode US Insights (PDF) โดย Google (19 พ.ค. 2026)
• Bringing multimodal search to AI Mode และ Dive deeper with AI Mode and get gaming help in Circle to Search โดย Google Blog (เม.ย. และ ก.ค. 2025)
• How AI Search reshapes consumer behaviour โดย Think with Google APAC (มิ.ย. 2026)
• Image SEO best practices, Google Images SEO: Image Metadata และ Video SEO best practices โดย Google Search Central (ตรวจเมื่อ ต.ค. 2026)
• Merchant listing (Product, Offer) structured data โดย Google Search Central (อัปเดต ก.ย. 2026)
• Image link [image_link] โดย Google Merchant Center Help และ Manage your Business Profile photos & videos โดย Google Business Profile Help (ตรวจเมื่อ ต.ค. 2026)
• Image inputs for ChatGPT FAQ โดย OpenAI Help Center และ Gemini Live โดย Google (ตรวจเมื่อ ต.ค. 2026)