---
title: "Que veut dire multimodal en IA ? Texte, image et audio"
description: "Un modèle multimodal accepte plusieurs types d’entrée : texte, images, vidéo ou audio. Ce que chacun coûte via une API, et comment chaîner des modèles."
url: https://broadrouter.com/fr/glossary/multimodal/
lang: fr
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/multimodal/) (mis à jour le 2026-11-16).

# IA multimodale (multimodal AI)

Mis à jour 2026-11-16

L’IA multimodale désigne un modèle ou un système qui travaille avec plusieurs types de données, comme le texte, les images, la vidéo et l’audio. Un modèle multimodal peut lire une photo et une question ensemble, ou recevoir de la parole et répondre en texte. Le modèle vision-langage en est le type le plus courant.

Aussi appelé : modèle multimodal, IA multimodale, entrée multimodale, multimodalité, modalités, multimodal model, multimodal AI model, multimodal input, multi-modal, modalities

« Multimodal » vous dit ce qu’un modèle accepte en entrée. Vérifiez toujours la liste exacte, car deux modèles dits multimodaux peuvent accepter des entrées assez différentes.

## Comment ça marche

Chaque type d’entrée est converti en ce que le modèle de langage lit déjà : une suite de vecteurs dans sa [fenêtre de contexte](https://broadrouter.com/fr/glossary/context-window/). Le texte passe par le [tokenizer](https://broadrouter.com/fr/glossary/tokenizer/). Une image passe par un encodeur visuel et devient un bloc de tokens d’image. La vidéo est en général traitée comme une série d’images, et l’audio passe par un encodeur audio.

Les fiches des modèles montrent à quel point c’est précis, même au sein d’une famille :

| Modèle | Entrées indiquées sur la fiche du modèle | Sortie |
| --- | --- | --- |
| Gemma 4 26B A4B | texte, image, vidéo sous forme d’images ; pas d’audio (Google ne mentionne l’audio que pour les tailles E2B, E4B et 12B) | texte |
| Qwen3.8 27B | texte, image, vidéo | texte |

Les API répartissent aussi le travail par endpoint. Le guide audio d’OpenAI, par exemple, envoie la transcription de fichiers vers un endpoint speech-to-text et oriente les applications de chat qui ont besoin d’audio vers une fonction distincte d’audio dans le chat.

Le terme plus restreint pour texte plus images est [modèle vision-langage](https://broadrouter.com/fr/glossary/vision-language-model/).

## Pourquoi c’est important

-   **Coût.** Les entrées autres que le texte sont converties en tokens ou facturées par unité de média. Sur BroadNet, une image plus grande consomme plus de tokens d’entrée : redimensionnez-la au niveau de détail nécessaire.
-   **Architecture.** Si aucun modèle n’accepte à lui seul toutes vos entrées, chaînez des modèles : speech-to-text d’abord, puis un modèle texte ou vision.
-   **Contrôles de qualité.** Lire une facture imprimée, un graphique ou une note manuscrite sont des compétences différentes. Testez la modalité sur vos propres documents, pas seulement sur une image de démo.

## Sur BroadNet Inference

La documentation de BroadNet indique ces entrées par modèle :

| Modèle | Entrée |
| --- | --- |
| DeepSeek V4.1 Flash | texte et images |
| GLM 5.3 | texte |
| [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/) | texte et vision |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fr/models/gemma-4-vl-26b/) | texte et images |
| BroadNet Transcribe Arabic / BroadNet Transcribe | audio, sur `/v1/audio/transcriptions` |

Les images vont vers `/v1/chat/completions` sous forme d’URL `data:` dans la liste de contenu du message ; le [guide des factures arabes](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/) en donne un exemple complet. L’audio est une requête à part : WAV ou MP3 jusqu’à 26 214 400 octets, avec `language` renseigné, comme dans le [guide des messages vocaux WhatsApp](https://broadrouter.com/fr/guides/transcribe-whatsapp-voice-notes/). Un assistant de messages vocaux fait donc deux appels : transcrire, puis discuter.

## Questions fréquentes

### Un modèle vision-langage est-il multimodal ?

Oui. Le modèle vision-langage est le type de modèle multimodal le plus courant : il prend du texte et des images. Multimodal est le terme plus large et couvre aussi l’audio et la vidéo.

### Puis-je envoyer de l’audio à un modèle de chat sur BroadNet ?

La documentation de BroadNet ne mentionne l’audio que sur l’endpoint de transcription. Transcrivez d’abord l’audio, puis envoyez le texte à un modèle de chat.

### Les images coûtent-elles plus cher que le texte ?

Avec une clé BroadNet en paiement à l’usage, une image est facturée en tokens d’entrée au prix d’entrée du modèle, et une image plus grande consomme plus de tokens. Avec un forfait, les images sont comprises dans le prix fixe.

## Voir aussi

-   [Modèle vision-langage (VLM)](https://broadrouter.com/fr/glossary/vision-language-model/) (terme)
-   [Reconnaissance optique de caractères (OCR)](https://broadrouter.com/fr/glossary/ocr/) (terme)
-   [Speech-to-text (reconnaissance vocale)](https://broadrouter.com/fr/glossary/speech-to-text/) (terme)
-   [Token](https://broadrouter.com/fr/glossary/token/) (terme)
-   [Fenêtre de contexte (context window)](https://broadrouter.com/fr/glossary/context-window/) (terme)
-   [Lire des factures et reçus arabes avec un modèle de vision](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/) (guide)
-   [Transcrire les messages vocaux WhatsApp en texte avec une API](https://broadrouter.com/fr/guides/transcribe-whatsapp-voice-notes/) (guide)
-   [Extraire factures, reçus et formulaires en JSON avec un LLM vision](https://broadrouter.com/fr/blog/extract-data-from-documents-with-vision-llm/) (article)
-   [API LLM de vision la moins chère : coût par image et par page, calculé](https://broadrouter.com/fr/blog/cheapest-vision-llm-api/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-multimodal&utm_content=page-cta) ·

**Sources**

-   [Fiche du modèle sur Hugging Face, google/gemma-4-26B-A4B-it (modalités selon la taille du modèle) (vérifié le 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Fiche du modèle sur Hugging Face, Qwen/Qwen3.8-27B (entrée image et vidéo) (vérifié le 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI, guide audio et parole (transcription ou audio dans le chat) (vérifié le 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [Référence de l’API BroadNet Inference, modèles et modalités (vérifié le 2026-11-16) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-multimodal&utm_content=sources)
