---
title: "Apakah maksud multimodal dalam AI? Teks, imej dan audio"
description: "Model multimodal menerima lebih daripada satu jenis input: teks, imej, video atau audio. Kos setiap satu melalui API, dan cara merantaikan model jika satu tak cukup."
url: https://broadrouter.com/ms/glossary/multimodal/
lang: ms
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/multimodal/) (dikemas kini 2026-11-16).

# AI multimodal (multimodal AI)

Dikemas kini 2026-11-16

AI multimodal ialah model atau sistem yang berfungsi dengan lebih daripada satu jenis data, seperti teks, imej, video dan audio. Model multimodal mungkin membaca foto dan soalan bersama-sama, atau menerima pertuturan dan menjawab dalam teks. Model bahasa-penglihatan (vision-language model) ialah jenis yang paling lazim.

Juga dikenali sebagai: multimodal, model multimodal, multimodal AI, multimodal model, multimodal input, multi-modal, modaliti

“Multimodal” memberitahu anda apa yang boleh diterima oleh sesuatu model. Sentiasa semak senarai tepatnya, kerana dua model yang sama-sama dipanggil multimodal boleh menerima input yang agak berbeza.

## Cara ia berfungsi

Setiap jenis input ditukar kepada perkara yang sudah dibaca oleh model bahasa: jujukan vektor dalam [tetingkap konteks](https://broadrouter.com/ms/glossary/context-window/) model itu. Teks melalui [tokenizer](https://broadrouter.com/ms/glossary/tokenizer/). Imej melalui pengekod penglihatan (vision encoder) dan menjadi satu blok token imej. Video biasanya dikendalikan sebagai siri bingkai, dan audio melalui pengekod audio.

Kad model menunjukkan betapa spesifiknya perkara ini, malah dalam satu keluarga yang sama:

| Model | Input yang disenaraikan pada kad modelnya | Output |
| --- | --- | --- |
| Gemma 4 26B A4B | teks, imej, video sebagai bingkai; tiada audio (Google menyenaraikan audio hanya untuk saiz E2B, E4B dan 12B) | teks |
| Qwen3.8 27B | teks, imej, video | teks |

API juga membahagikan kerja mengikut endpoint. Sebagai contoh, panduan audio OpenAI menghantar transkripsi fail ke endpoint speech-to-text dan mengarahkan aplikasi chat yang memerlukan audio kepada ciri audio-dalam-chat yang berasingan.

Istilah yang lebih sempit untuk teks dan imej ialah [model bahasa-penglihatan](https://broadrouter.com/ms/glossary/vision-language-model/).

## Mengapa ia penting

-   **Kos.** Input bukan teks ditukar kepada token atau dicaj bagi setiap unit media. Di BroadNet, imej yang lebih besar menggunakan lebih banyak token input, jadi ubah saiznya kepada butiran yang anda perlukan.
-   **Seni bina.** Jika tiada satu model yang menerima semua input anda, rantaikan model: speech-to-text dahulu, kemudian model teks atau penglihatan.
-   **Semakan kualiti.** Membaca invois bercetak, carta atau nota tulisan tangan ialah kemahiran yang berbeza. Uji modaliti itu pada dokumen anda sendiri, bukan hanya pada imej demo.

## Di BroadNet Inference

Dokumentasi BroadNet menyenaraikan input berikut bagi setiap model:

| Model | Input |
| --- | --- |
| DeepSeek V4.1 Flash | teks dan imej |
| GLM 5.3 | teks |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | teks dan penglihatan |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) | teks dan imej |
| BroadNet Transcribe Arabic / BroadNet Transcribe | audio, pada `/v1/audio/transcriptions` |

Imej dihantar ke `/v1/chat/completions` sebagai URL `data:` dalam senarai kandungan mesej; [panduan invois Arab](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/) mempunyai contoh penuh. Audio ialah permintaan berasingan: WAV atau MP3 sehingga 26,214,400 bait, dengan `language` ditetapkan, seperti dalam [panduan nota suara WhatsApp](https://broadrouter.com/ms/guides/transcribe-whatsapp-voice-notes/). Oleh itu, pembantu nota suara membuat dua panggilan: transkripsi, kemudian chat.

## Soalan lazim

### Adakah model bahasa-penglihatan itu multimodal?

Ya. Model bahasa-penglihatan ialah jenis model multimodal yang paling lazim, menerima teks dan imej. Multimodal ialah istilah yang lebih luas dan turut merangkumi audio dan video.

### Bolehkah saya menghantar audio kepada model chat di BroadNet?

Dokumentasi BroadNet menyenaraikan audio hanya pada endpoint transkripsi. Transkripsikan audio dahulu, kemudian hantar teksnya kepada model chat.

### Adakah imej lebih mahal daripada teks?

Pada kunci bayar ikut guna BroadNet, imej dicaj sebagai token input pada harga input model, dan imej yang lebih besar menggunakan lebih banyak token. Pada pelan, imej termasuk dalam harga tetap.

## Lihat juga

-   [Model bahasa-penglihatan (vision-language model)](https://broadrouter.com/ms/glossary/vision-language-model/) (istilah)
-   [Pengecaman aksara optik (OCR)](https://broadrouter.com/ms/glossary/ocr/) (istilah)
-   [Speech-to-text (pertuturan kepada teks)](https://broadrouter.com/ms/glossary/speech-to-text/) (istilah)
-   [Token](https://broadrouter.com/ms/glossary/token/) (istilah)
-   [Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/) (istilah)
-   [Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/) (panduan)
-   [Cara tukar nota suara WhatsApp kepada teks dengan API](https://broadrouter.com/ms/guides/transcribe-whatsapp-voice-notes/) (panduan)
-   [Ekstrak data invois, resit dan borang ke JSON dengan LLM visi](https://broadrouter.com/ms/blog/extract-data-from-documents-with-vision-llm/) (artikel)
-   [API LLM penglihatan termurah: kos setiap imej dan setiap halaman](https://broadrouter.com/ms/blog/cheapest-vision-llm-api/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Kad model Hugging Face, google/gemma-4-26B-A4B-it (modaliti mengikut saiz model) (disemak 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Kad model Hugging Face, Qwen/Qwen3.8-27B (input imej dan video) (disemak 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI, panduan audio dan pertuturan (transkripsi vs audio dalam chat) (disemak 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [Rujukan API BroadNet Inference, model dan modaliti (disemak 2026-11-16) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-multimodal&utm_content=sources)
