中国語の綴りチェック（CSC）は、漢字の複雑な特徴により、困難なタスクである。統計によれば、中国語の綴りミスの多くは音声的誤りまたは視覚的誤りに起因している。しかし、従来の手法は漢字の音声的・形態論的知識を十分に活用せず、あるいは外部リソースに依存して類似性をモデル化する傾向にあった。上記の課題に対処するため、本研究ではマルチモーダル情報を利用することでCSCの性能を向上させる、新たなエンドツーエンド学習可能なモデルPHMOSpellを提案する。具体的には、音声モダリティからピンイン表現、視覚モダリティから字形（glyph）表現をそれぞれ抽出し、適切に設計された適応型ゲート機構を通じて事前学習済み言語モデルに統合する。有効性の検証のため、包括的な実験およびアブレーションテストを実施した。3つの共有ベンチマークにおける実験結果から、本モデルが従来の最先端モデルを一貫して上回ることを示した。