---
title: "AI में मल्टीमोडल का मतलब क्या है? टेक्स्ट, इमेज और ऑडियो"
description: "मल्टीमोडल मॉडल एक से ज़्यादा तरह का इनपुट लेता है: टेक्स्ट, इमेज, वीडियो या ऑडियो। API पर हर एक की लागत क्या है, और एक मॉडल सब न कर पाए तो मॉडल कैसे जोड़ें।"
url: https://broadrouter.com/hi/glossary/multimodal/
lang: hi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/glossary/multimodal/) (2026-11-16 को अपडेट किया गया).

# मल्टीमोडल AI (multimodal AI)

अपडेट किया गया 2026-11-16

मल्टीमोडल AI ऐसा मॉडल या सिस्टम है जो एक से ज़्यादा तरह के डेटा, जैसे टेक्स्ट, इमेज, वीडियो और ऑडियो, के साथ काम करता है। कोई मल्टीमोडल मॉडल फ़ोटो और सवाल साथ पढ़ सकता है, या आवाज़ लेकर टेक्स्ट में जवाब दे सकता है। vision-language मॉडल इसका सबसे आम रूप है।

अन्य नाम: मल्टीमोडल, मल्टीमोडल मॉडल, मल्टी-मोडल AI, multimodal kya hai, multimodal ai kya hota hai, multimodal model, multimodal AI model, multimodal input, multi-modal, modalities

“मल्टीमोडल” बताता है कि कोई मॉडल क्या-क्या ले सकता है। हमेशा सटीक सूची जाँचें, क्योंकि मल्टीमोडल कहलाने वाले दो मॉडल काफ़ी अलग इनपुट ले सकते हैं।

## यह कैसे काम करता है

हर तरह का इनपुट उसी चीज़ में बदला जाता है जिसे लैंग्वेज मॉडल पहले से पढ़ता है: उसकी [कॉन्टेक्स्ट विंडो](https://broadrouter.com/hi/glossary/context-window/) में वेक्टरों की एक sequence। टेक्स्ट [tokenizer](https://broadrouter.com/hi/glossary/tokenizer/) से गुज़रता है। इमेज एक vision encoder से गुज़रकर इमेज टोकन का एक ब्लॉक बनती है। वीडियो आम तौर पर फ़्रेम की एक श्रृंखला के रूप में सँभाला जाता है, और ऑडियो एक audio encoder से।

मॉडल कार्ड दिखाते हैं कि यह कितना बारीक होता है, एक ही परिवार के अंदर भी:

| मॉडल | मॉडल कार्ड पर दिए इनपुट | आउटपुट |
| --- | --- | --- |
| Gemma 4 26B A4B | टेक्स्ट, इमेज, फ़्रेम के रूप में वीडियो; ऑडियो नहीं (Google ऑडियो सिर्फ़ E2B, E4B और 12B साइज़ के लिए बताता है) | टेक्स्ट |
| Qwen3.8 27B | टेक्स्ट, इमेज, वीडियो | टेक्स्ट |

API भी काम को एंडपॉइंट के हिसाब से बाँटते हैं। उदाहरण के लिए, OpenAI की ऑडियो गाइड फ़ाइल ट्रांसक्रिप्शन को speech-to-text एंडपॉइंट पर भेजती है, और जिन चैट ऐप को ऑडियो चाहिए उन्हें एक अलग audio-in-chat फ़ीचर की ओर ले जाती है।

टेक्स्ट और इमेज के लिए ज़्यादा सीमित शब्द [vision-language मॉडल](https://broadrouter.com/hi/glossary/vision-language-model/) है।

## यह क्यों मायने रखता है

-   **लागत.** टेक्स्ट के अलावा दूसरे इनपुट टोकन में बदले जाते हैं या मीडिया की इकाई के हिसाब से बिल होते हैं। BroadNet पर बड़ी इमेज ज़्यादा इनपुट टोकन लेती है, इसलिए उतने डिटेल तक ही resize करें जितना चाहिए।
-   **आर्किटेक्चर.** अगर कोई अकेला मॉडल आपके सारे इनपुट नहीं लेता, तो मॉडल जोड़ें: पहले speech-to-text, फिर टेक्स्ट या vision मॉडल।
-   **क्वालिटी जाँच.** छपा हुआ इनवॉइस, चार्ट या हाथ से लिखा नोट पढ़ना अलग-अलग हुनर हैं। हर modality को अपने दस्तावेज़ों पर टेस्ट करें, सिर्फ़ डेमो इमेज पर नहीं।

## BroadNet Inference पर

BroadNet के डॉक्स हर मॉडल के लिए ये इनपुट बताते हैं:

| मॉडल | इनपुट |
| --- | --- |
| DeepSeek V4.1 Flash | टेक्स्ट और इमेज |
| GLM 5.3 | टेक्स्ट |
| [Qwen3.8 27B](https://broadrouter.com/hi/models/qwen3.8-27b/) | टेक्स्ट और vision |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/hi/models/gemma-4-vl-26b/) | टेक्स्ट और इमेज |
| BroadNet Transcribe Arabic / BroadNet Transcribe | ऑडियो, `/v1/audio/transcriptions` पर |

इमेज `/v1/chat/completions` पर मैसेज content सूची में `data:` URL के रूप में जाती हैं; [अरबी इनवॉइस गाइड](https://broadrouter.com/hi/guides/read-arabic-invoices-with-vision/) में पूरा उदाहरण है। ऑडियो एक अलग अनुरोध है: 26,214,400 बाइट तक की WAV या MP3, `language` सेट करके, जैसा [WhatsApp वॉइस नोट गाइड](https://broadrouter.com/hi/guides/transcribe-whatsapp-voice-notes/) में है। इसलिए वॉइस नोट असिस्टेंट दो कॉल करता है: पहले ट्रांसक्राइब, फिर चैट।

## अक्सर पूछे जाने वाले सवाल

### क्या vision-language मॉडल मल्टीमोडल होता है?

हाँ। vision-language मॉडल मल्टीमोडल मॉडल का सबसे आम रूप है, जो टेक्स्ट और इमेज लेता है। मल्टीमोडल ज़्यादा व्यापक शब्द है और इसमें ऑडियो और वीडियो भी आते हैं।

### क्या मैं BroadNet पर चैट मॉडल को ऑडियो भेज सकता हूँ?

BroadNet के डॉक्स ऑडियो सिर्फ़ ट्रांसक्रिप्शन एंडपॉइंट पर दिखाते हैं। पहले ऑडियो ट्रांसक्राइब करें, फिर टेक्स्ट चैट मॉडल को भेजें।

### क्या इमेज टेक्स्ट से महँगी पड़ती है?

BroadNet की उपयोग के अनुसार भुगतान वाली keys पर इमेज मॉडल की इनपुट कीमत पर इनपुट टोकन के रूप में बिल होती है, और बड़ी इमेज ज़्यादा टोकन लेती है। प्लान पर इमेज फ़्लैट कीमत में शामिल हैं।

## यह भी देखें

-   [विज़न-लैंग्वेज मॉडल (VLM)](https://broadrouter.com/hi/glossary/vision-language-model/) (शब्द)
-   [OCR (optical character recognition)](https://broadrouter.com/hi/glossary/ocr/) (शब्द)
-   [स्पीच-टू-टेक्स्ट (speech-to-text)](https://broadrouter.com/hi/glossary/speech-to-text/) (शब्द)
-   [टोकन (token)](https://broadrouter.com/hi/glossary/token/) (शब्द)
-   [कॉन्टेक्स्ट विंडो (context window)](https://broadrouter.com/hi/glossary/context-window/) (शब्द)
-   [विज़न मॉडल से अरबी इनवॉइस और रसीदें पढ़ें](https://broadrouter.com/hi/guides/read-arabic-invoices-with-vision/) (गाइड)
-   [API से WhatsApp वॉइस नोट को टेक्स्ट में बदलें](https://broadrouter.com/hi/guides/transcribe-whatsapp-voice-notes/) (गाइड)
-   [वीज़न LLM से इनवॉइस, रसीद और फ़ॉर्म का डेटा JSON में निकालें](https://broadrouter.com/hi/blog/extract-data-from-documents-with-vision-llm/) (लेख)
-   [सबसे सस्ता विज़न LLM API: प्रति इमेज और प्रति पेज लागत का हिसाब](https://broadrouter.com/hi/blog/cheapest-vision-llm-api/) (लेख)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

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

**स्रोत**

-   [Hugging Face मॉडल कार्ड, google/gemma-4-26B-A4B-it (मॉडल साइज़ के हिसाब से modalities) (जाँच: 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Hugging Face मॉडल कार्ड, Qwen/Qwen3.8-27B (इमेज और वीडियो इनपुट) (जाँच: 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI, ऑडियो और स्पीच गाइड (ट्रांसक्रिप्शन बनाम चैट में ऑडियो) (जाँच: 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [BroadNet Inference API रेफ़रंस, मॉडल और modalities (जाँच: 2026-11-16) (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-glossary-multimodal&utm_content=sources)
