---
title: "¿Qué significa multimodal en IA? Texto, imagen y audio"
description: "Un modelo multimodal acepta más de un tipo de entrada: texto, imágenes, vídeo o audio. Cuánto cuesta cada uno en una API y cómo encadenar modelos si uno no basta."
url: https://broadrouter.com/es/glossary/multimodal/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/multimodal/) (actualizado el 2026-11-16).

# IA multimodal (multimodal AI)

Actualizado 2026-11-16

La IA multimodal es un modelo o sistema que trabaja con más de un tipo de datos, como texto, imágenes, vídeo y audio. Un modelo multimodal puede leer una foto y una pregunta a la vez, o recibir voz y responder en texto. El modelo de visión y lenguaje es el tipo más común.

También llamado: multimodal, IA multimodal, modelo multimodal, entrada multimodal, modalidades, multimodal model, multimodal AI model, multimodal input, multi-modal, modalities

“Multimodal” le indica qué puede recibir un modelo. Revise siempre la lista exacta, porque dos modelos llamados multimodales pueden aceptar entradas bastante distintas.

## Cómo funciona

Cada tipo de entrada se convierte en lo mismo que el modelo de lenguaje ya lee: una secuencia de vectores en su [ventana de contexto](https://broadrouter.com/es/glossary/context-window/). El texto pasa por el [tokenizador](https://broadrouter.com/es/glossary/tokenizer/). Una imagen pasa por un codificador visual (vision encoder) y se convierte en un bloque de tokens de imagen. El vídeo suele procesarse como una serie de fotogramas, y el audio mediante un codificador de audio.

Las model cards muestran lo específico que llega a ser esto, incluso dentro de una misma familia:

| Modelo | Entradas indicadas en su model card | Salida |
| --- | --- | --- |
| Gemma 4 26B A4B | texto, imagen, vídeo como fotogramas; sin audio (Google indica audio solo para los tamaños E2B, E4B y 12B) | texto |
| Qwen3.8 27B | texto, imagen, vídeo | texto |

Las APIs también reparten el trabajo por endpoint. La guía de audio de OpenAI, por ejemplo, envía la transcripción de archivos a un endpoint de voz a texto y remite a las aplicaciones de chat que necesitan audio a una función aparte de audio en el chat.

El término más acotado para texto más imágenes es [modelo de visión y lenguaje](https://broadrouter.com/es/glossary/vision-language-model/).

## Por qué importa

-   **Coste.** Las entradas que no son texto se convierten en tokens o se facturan por unidad de contenido. En BroadNet, una imagen más grande usa más tokens de entrada, así que redimensione al nivel de detalle que necesita.
-   **Arquitectura.** Si ningún modelo acepta todas sus entradas, encadene modelos: primero voz a texto y luego un modelo de texto o de visión.
-   **Controles de calidad.** Leer una factura impresa, un gráfico o una nota manuscrita son habilidades distintas. Pruebe la modalidad con sus propios documentos, no solo con una imagen de demostración.

## En BroadNet Inference

La documentación de BroadNet indica estas entradas por modelo:

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

Las imágenes van a `/v1/chat/completions` como una URL `data:` dentro de la lista de contenido del mensaje; la [guía de facturas en árabe](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) tiene un ejemplo completo. El audio es una solicitud aparte: WAV o MP3 de hasta 26,214,400 bytes, con `language` definido, como en la [guía de notas de voz de WhatsApp](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/). Por eso, un asistente de notas de voz hace dos llamadas: transcribir y luego chatear.

## Preguntas frecuentes

### ¿Un modelo de visión y lenguaje es multimodal?

Sí. Un modelo de visión y lenguaje es el tipo más común de modelo multimodal: acepta texto e imágenes. Multimodal es el término más amplio y también abarca audio y vídeo.

### ¿Puedo enviar audio a un modelo de chat en BroadNet?

La documentación de BroadNet solo indica audio en el endpoint de transcripción. Transcriba primero el audio y luego envíe el texto a un modelo de chat.

### ¿Las imágenes cuestan más que el texto?

En las claves de pago por uso de BroadNet, una imagen se factura como tokens de entrada al precio de entrada del modelo, y una imagen más grande usa más tokens. En un plan, las imágenes forman parte del precio fijo.

## Vea también

-   [Modelo de visión y lenguaje (VLM)](https://broadrouter.com/es/glossary/vision-language-model/) (término)
-   [Reconocimiento óptico de caracteres (OCR)](https://broadrouter.com/es/glossary/ocr/) (término)
-   [Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/) (término)
-   [Token](https://broadrouter.com/es/glossary/token/) (término)
-   [Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/) (término)
-   [Lea facturas y recibos en árabe con un modelo de visión](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) (guía)
-   [Transcribir notas de voz de WhatsApp a texto con una API](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/) (guía)
-   [Extraer datos de facturas, recibos y formularios a JSON con visión](https://broadrouter.com/es/blog/extract-data-from-documents-with-vision-llm/) (artículo)
-   [La API de LLM de visión más barata: costo por imagen y por página](https://broadrouter.com/es/blog/cheapest-vision-llm-api/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

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

**Fuentes**

-   [Model card en Hugging Face, google/gemma-4-26B-A4B-it (modalidades por tamaño de modelo) (consultado el 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Model card en Hugging Face, Qwen/Qwen3.8-27B (entrada de imagen y vídeo) (consultado el 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI, guía de audio y voz (transcripción frente a audio en el chat) (consultado el 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [Referencia de la API de BroadNet Inference, modelos y modalidades (consultado el 2026-11-16) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-multimodal&utm_content=sources)
