---
title: "O que é IA multimodal? Texto, imagem e áudio em LLMs"
description: "Um modelo multimodal aceita mais de um tipo de entrada: texto, imagens, vídeo ou áudio. Quanto custa cada um via API e como encadear modelos quando um só não basta."
url: https://broadrouter.com/pt/glossary/multimodal/
lang: pt-BR
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/multimodal/) (atualizado em 2026-11-16).

# IA multimodal (multimodal AI)

Atualizado em 2026-11-16

IA multimodal é um modelo ou sistema que trabalha com mais de um tipo de dado, como texto, imagens, vídeo e áudio. Um modelo multimodal pode ler uma foto e uma pergunta juntas, ou receber fala e responder em texto. O tipo mais comum é o modelo de visão e linguagem (vision-language model).

Também chamado de: IA multimodal, modelo multimodal, LLM multimodal, entrada multimodal, modalidades, multimodal model, multimodal AI model, multimodal input, multi-modal, modalities

“Multimodal” diz o que um modelo consegue receber. Confira sempre a lista exata, porque dois modelos chamados de multimodais podem aceitar entradas bem diferentes.

## Como funciona

Cada tipo de entrada é transformado na mesma coisa que o modelo de linguagem já lê: uma sequência de vetores na [janela de contexto](https://broadrouter.com/pt/glossary/context-window/) dele. O texto passa pelo [tokenizer](https://broadrouter.com/pt/glossary/tokenizer/). Uma imagem passa por um encoder de visão e vira um bloco de tokens de imagem. O vídeo costuma ser tratado como uma série de quadros, e o áudio passa por um encoder de áudio.

Os model cards mostram como isso fica específico, mesmo dentro de uma família:

| Modelo | Entradas listadas no model card | Saída |
| --- | --- | --- |
| Gemma 4 26B A4B | texto, imagem, vídeo como quadros; sem áudio (o Google lista áudio só para os tamanhos E2B, E4B e 12B) | texto |
| Qwen3.8 27B | texto, imagem, vídeo | texto |

As APIs também dividem o trabalho por endpoint. O guia de áudio da OpenAI, por exemplo, manda a transcrição de arquivos para um endpoint de fala para texto e direciona apps de chat que precisam de áudio para um recurso separado de áudio no chat.

O termo mais restrito para texto mais imagens é [modelo de visão e linguagem](https://broadrouter.com/pt/glossary/vision-language-model/).

## Por que importa

-   **Custo.** Entradas que não são texto são convertidas em tokens ou cobradas por unidade de mídia. Na BroadNet, uma imagem maior usa mais tokens de entrada, então redimensione para o nível de detalhe de que você precisa.
-   **Arquitetura.** Se nenhum modelo sozinho aceita todas as suas entradas, encadeie modelos: primeiro fala para texto, depois um modelo de texto ou de visão.
-   **Checagens de qualidade.** Ler uma nota fiscal impressa, um gráfico ou uma anotação à mão são habilidades diferentes. Teste a modalidade com os seus próprios documentos, não só com uma imagem de demonstração.

## Na BroadNet Inference

A documentação da BroadNet lista estas entradas por modelo:

| Modelo | Entrada |
| --- | --- |
| DeepSeek V4.1 Flash | texto e imagens |
| GLM 5.3 | texto |
| [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) | texto e visão |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/pt/models/gemma-4-vl-26b/) | texto e imagens |
| BroadNet Transcribe Arabic / BroadNet Transcribe | áudio, em `/v1/audio/transcriptions` |

Imagens vão para `/v1/chat/completions` como uma URL `data:` na lista de conteúdo da mensagem; o [guia de notas fiscais em árabe](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) tem um exemplo completo. Áudio é uma requisição separada: WAV ou MP3 de até 26.214.400 bytes, com `language` definido, como no [guia de mensagens de voz do WhatsApp](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/). Um assistente de mensagens de voz faz, portanto, duas chamadas: transcrever e depois conversar.

## Perguntas frequentes

### Um modelo de visão e linguagem é multimodal?

Sim. O modelo de visão e linguagem é o tipo mais comum de modelo multimodal e recebe texto e imagens. Multimodal é o termo mais amplo e também cobre áudio e vídeo.

### Posso enviar áudio para um modelo de chat na BroadNet?

A documentação da BroadNet lista áudio apenas no endpoint de transcrição. Transcreva o áudio primeiro e depois envie o texto para um modelo de chat.

### Imagens custam mais que texto?

Nas chaves de pagamento por uso da BroadNet, uma imagem é cobrada como tokens de entrada pelo preço de entrada do modelo, e uma imagem maior usa mais tokens. Em um plano, as imagens entram no preço fixo.

## Veja também

-   [Modelo de visão e linguagem (VLM)](https://broadrouter.com/pt/glossary/vision-language-model/) (termo)
-   [Reconhecimento óptico de caracteres (OCR)](https://broadrouter.com/pt/glossary/ocr/) (termo)
-   [Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/) (termo)
-   [Token](https://broadrouter.com/pt/glossary/token/) (termo)
-   [Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/) (termo)
-   [Ler notas fiscais e recibos em árabe com um modelo de visão](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) (guia)
-   [Transcrever áudios do WhatsApp para texto com uma API](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/) (guia)
-   [Extrair dados de faturas, recibos e formulários com LLM de visão](https://broadrouter.com/pt/blog/extract-data-from-documents-with-vision-llm/) (artigo)
-   [API de LLM com visão mais barata: custo por imagem e por página](https://broadrouter.com/pt/blog/cheapest-vision-llm-api/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [Model card no Hugging Face, google/gemma-4-26B-A4B-it (modalidades por tamanho de modelo) (verificado em 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Model card no Hugging Face, Qwen/Qwen3.8-27B (entrada de imagem e vídeo) (verificado em 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI, guia de áudio e fala (transcrição vs. áudio no chat) (verificado em 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [Referência da API da BroadNet Inference, modelos e modalidades (verificado em 2026-11-16) (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-multimodal&utm_content=sources)
