多模态 AI 日记：把文字、照片和语音变成同一段记忆

照片记住画面，却不会自动记住故事

手机相册里可能有一张晚餐照片。几年后你仍能看到桌上的菜，却不一定记得是谁请客、大家为什么笑，以及那天做了什么决定。

一条短文字可以补充故事，照片提供现场证据。多模态 AI 的作用是让两者进入同一张记忆卡片，而不是让图片分析替你虚构经历。

语音保存了打字容易丢失的部分

语音记录速度更快，也保留停顿、情绪和自然表达。Memex 可以选择在设备端把语音转成文字，也可以在关闭本地转写时，把原始音频交给用户配置的模型处理。

本地转写适合不支持音频输入的模型，也能减少原始声音离开设备的需要；云端路径则仍受模型提供商能力和隐私政策约束。

原始媒体和可读记录分开保存

Memex 把图片和音频保存在本地媒体池中，并在卡片上保存经过验证的资产引用。卡片的事实文本保持可读，不会混入难以理解的文件路径。

AI 可以把用户文字和媒体中真正重要的内容组合成一段连贯记录，但照片和录音本身仍然存在，可以重新查看或播放。

• 文字保留用户自己的表达。
• 图片和音频作为独立本地资产保存。
• OCR 与图片理解帮助提取可搜索信息。
• 模型必须支持相应输入类型。

多模态不等于无边界上传

Memex 的主记录和媒体保存在本地，但 AI 分析取决于用户选择的模型与转写设置。选择云模型时，相关文字、图片信息或音频会直接从设备发送给对应提供商，而不是经过 Memex 的日记服务器。

因此选择多模态日记时，不只要问“能不能看图”，还要问媒体在哪里保存、如何处理、哪个模型会看到它，以及能否保留原始文件。

什么是多模态 AI 日记？

它可以同时处理文字、照片和语音，通过图片理解、OCR 与转写建立可搜索记录，同时保留原始媒体。

Memex 会把照片和音频塞进日记文字吗？

不会。媒体保存在本地资产池，卡片保存经过验证的引用，可读事实文本与附件引用分开。

语音可以在本地转写吗？

可以。Memex 提供设备端语音转文字选项；关闭后也可以按配置把原始音频交给所选模型。

所有 AI 模型都能看懂照片吗？

不能。图片分析需要支持视觉输入的模型，Memex 会对已知模型进行保守能力判断并提供提示。