---
title: "Cosa significa multimodale nell’AI? Testo, immagini e audio"
description: "Un modello multimodale accetta più tipi di input: testo, immagini, video o audio. Quanto costa ognuno via API e come concatenare modelli quando uno solo non basta."
url: https://broadrouter.com/it/glossary/multimodal/
lang: it
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/multimodal/) (aggiornato il 2026-11-16).

# AI multimodale (multimodal AI)

Aggiornato 2026-11-16

L’AI multimodale è un modello o un sistema che lavora con più di un tipo di dato, come testo, immagini, video e audio. Un modello multimodale può leggere insieme una foto e una domanda, oppure ricevere parlato e rispondere in testo. Il tipo più comune è il modello vision-language.

Detto anche: AI multimodale, IA multimodale, modello multimodale, LLM multimodale, input multimodale, modalità, multimodal model, multimodal AI model, multimodal input, multi-modal, modalities

“Multimodale” ti dice cosa può ricevere un modello. Controlla sempre l’elenco esatto, perché due modelli entrambi definiti multimodali possono accettare input molto diversi.

## Come funziona

Ogni tipo di input viene trasformato nella stessa cosa che il modello linguistico già legge: una sequenza di vettori nella sua [finestra di contesto](https://broadrouter.com/it/glossary/context-window/). Il testo passa dal [tokenizer](https://broadrouter.com/it/glossary/tokenizer/). Un’immagine passa da un encoder visivo e diventa un blocco di token immagine. Il video di solito viene trattato come una serie di fotogrammi, e l’audio passa da un encoder audio.

Le model card mostrano quanto possa essere specifico, anche all’interno di una stessa famiglia:

| Modello | Input indicati nella model card | Output |
| --- | --- | --- |
| Gemma 4 26B A4B | testo, immagini, video come fotogrammi; niente audio (Google indica l’audio solo per le taglie E2B, E4B e 12B) | testo |
| Qwen3.8 27B | testo, immagini, video | testo |

Anche le API dividono il lavoro per endpoint. La guida audio di OpenAI, per esempio, manda la trascrizione di file a un endpoint speech-to-text e rimanda le app di chat che hanno bisogno di audio a una funzione separata di audio in chat.

Il termine più ristretto per testo più immagini è [modello vision-language](https://broadrouter.com/it/glossary/vision-language-model/).

## Perché è importante

-   **Costo.** Gli input non testuali vengono convertiti in token o fatturati per unità di media. Su BroadNet un’immagine più grande usa più token di input, quindi ridimensionala al dettaglio che ti serve.
-   **Architettura.** Se nessun modello accetta da solo tutti i tuoi input, concatena più modelli: prima lo speech-to-text, poi un modello testuale o vision.
-   **Verifiche di qualità.** Leggere una fattura stampata, un grafico o un appunto scritto a mano sono abilità diverse. Testa la modalità sui tuoi documenti, non solo su un’immagine demo.

## Su BroadNet Inference

La documentazione di BroadNet elenca questi input per modello:

| Modello | Input |
| --- | --- |
| DeepSeek V4.1 Flash | testo e immagini |
| GLM 5.3 | testo |
| [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) | testo e visione |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/) | testo e immagini |
| BroadNet Transcribe Arabic / BroadNet Transcribe | audio, su `/v1/audio/transcriptions` |

Le immagini vanno a `/v1/chat/completions` come URL `data:` nella lista dei contenuti del messaggio; la [guida alle fatture in arabo](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) ha un esempio completo. L’audio è una richiesta separata: WAV o MP3 fino a 26.214.400 byte, con `language` impostato, come nella [guida ai messaggi vocali di WhatsApp](https://broadrouter.com/it/guides/transcribe-whatsapp-voice-notes/). Un assistente per messaggi vocali fa quindi due chiamate: trascrizione, poi chat.

## Domande frequenti

### Un modello vision-language è multimodale?

Sì. Il modello vision-language è il tipo più comune di modello multimodale e accetta testo e immagini. Multimodale è il termine più ampio e copre anche audio e video.

### Posso inviare audio a un modello di chat su BroadNet?

La documentazione di BroadNet elenca l’audio solo sull’endpoint di trascrizione. Trascrivi prima l’audio, poi invia il testo a un modello di chat.

### Le immagini costano più del testo?

Con le chiavi a consumo di BroadNet un’immagine viene fatturata come token di input al prezzo di input del modello, e un’immagine più grande usa più token. Con un piano, le immagini rientrano nel prezzo flat.

## Vedi anche

-   [Modello vision-language (VLM)](https://broadrouter.com/it/glossary/vision-language-model/) (termine)
-   [Riconoscimento ottico dei caratteri (OCR)](https://broadrouter.com/it/glossary/ocr/) (termine)
-   [Speech-to-text (riconoscimento vocale)](https://broadrouter.com/it/glossary/speech-to-text/) (termine)
-   [Token](https://broadrouter.com/it/glossary/token/) (termine)
-   [Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/) (termine)
-   [Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) (guida)
-   [Trascrivere i vocali WhatsApp in testo con un’API](https://broadrouter.com/it/guides/transcribe-whatsapp-voice-notes/) (guida)
-   [Estrarre dati da fatture, scontrini e moduli in JSON con un LLM vision](https://broadrouter.com/it/blog/extract-data-from-documents-with-vision-llm/) (articolo)
-   [L’API LLM vision più economica: costo per immagine e per pagina](https://broadrouter.com/it/blog/cheapest-vision-llm-api/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Model card su Hugging Face, google/gemma-4-26B-A4B-it (modalità per dimensione del modello) (verificato il 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Model card su Hugging Face, Qwen/Qwen3.8-27B (input di immagini e video) (verificato il 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI, guida audio e voce (trascrizione e audio in chat) (verificato il 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [Riferimento API di BroadNet Inference, modelli e modalità (verificato il 2026-11-16) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-multimodal&utm_content=sources)
