Ứng dụng tương tác đa phương thức xử lý hai hoặc nhiều hơn các kết hợpdữ liệu đầu vào (ví dụ như lời nói, ánh mắt, cử chỉ, đầu và chuyển động của cơ thể) trong một cách phối hợp với đầu ra của ứng dụng. Chúng là một lớp các ứng dụng có mục đích nhận dạng ngôn ngữ tự nhiên và hành vi của con người, bằng cách kết hợp một hoặc nhiều công nghệ nhận dạng khác nhau (ví dụ như lời nói, ánh mắt, cử chỉ).