---
title: "Apa itu AI multimodal? Teks, gambar, dan audio | BroadRouter"
description: "Model multimodal menerima lebih dari satu jenis input: teks, gambar, video, atau audio. Biaya tiap jenis lewat API, dan cara merangkai model jika satu tidak cukup."
url: https://broadrouter.com/id/glossary/multimodal/
lang: id
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/glossary/multimodal/) (diperbarui 2026-11-16).

# AI multimodal (multimodal AI)

Diperbarui 2026-11-16

AI multimodal adalah model atau sistem yang bekerja dengan lebih dari satu jenis data, seperti teks, gambar, video, dan audio. Model multimodal bisa membaca foto dan pertanyaan sekaligus, atau menerima ucapan lalu menjawab dalam teks. Jenis yang paling umum adalah vision-language model.

Disebut juga: AI multimodal, model multimodal, model AI multimodal, input multimodal, multimodal AI, multimodal model, multimodal AI model, multimodal input, multi-modal, modalities

“Multimodal” memberi tahu Anda apa saja yang bisa diterima model. Selalu periksa daftar persisnya, karena dua model yang sama-sama disebut multimodal bisa menerima input yang cukup berbeda.

## Cara kerjanya

Setiap jenis input diubah menjadi hal yang sudah dibaca oleh model bahasa: urutan vektor di dalam [context window](https://broadrouter.com/id/glossary/context-window/)\-nya. Teks melewati [tokenizer](https://broadrouter.com/id/glossary/tokenizer/). Gambar melewati vision encoder dan menjadi blok token gambar. Video biasanya ditangani sebagai rangkaian frame, dan audio lewat audio encoder.

Model card menunjukkan betapa spesifiknya hal ini, bahkan dalam satu keluarga model:

| Model | Input yang tercantum di model card | Output |
| --- | --- | --- |
| Gemma 4 26B A4B | teks, gambar, video sebagai frame; tanpa audio (Google mencantumkan audio hanya untuk ukuran E2B, E4B, dan 12B) | teks |
| Qwen3.8 27B | teks, gambar, video | teks |

API juga membagi pekerjaan per endpoint. Panduan audio OpenAI, misalnya, mengirim transkripsi file ke endpoint speech-to-text dan mengarahkan aplikasi chat yang membutuhkan audio ke fitur audio-dalam-chat yang terpisah.

Istilah yang lebih sempit untuk teks plus gambar adalah [vision-language model](https://broadrouter.com/id/glossary/vision-language-model/).

## Mengapa penting

-   **Biaya.** Input non-teks diubah menjadi token atau ditagih per unit media. Di BroadNet, gambar yang lebih besar memakai lebih banyak token input, jadi ubah ukurannya sesuai detail yang Anda perlukan.
-   **Arsitektur.** Jika tidak ada satu model yang menerima semua input yang Anda punya, rangkai beberapa model: speech-to-text dulu, lalu model teks atau vision.
-   **Pemeriksaan kualitas.** Membaca invoice cetak, grafik, atau catatan tulisan tangan adalah keterampilan yang berbeda. Uji modalitasnya pada dokumen Anda sendiri, bukan hanya pada gambar demo.

## Di BroadNet Inference

Dokumentasi BroadNet mencantumkan input berikut per model:

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

Gambar dikirim ke `/v1/chat/completions` sebagai URL `data:` di dalam daftar konten pesan; [panduan invoice berbahasa Arab](https://broadrouter.com/id/guides/read-arabic-invoices-with-vision/) punya contoh lengkapnya. Audio adalah request terpisah: WAV atau MP3 hingga 26.214.400 byte, dengan `language` diisi, seperti di [panduan pesan suara WhatsApp](https://broadrouter.com/id/guides/transcribe-whatsapp-voice-notes/). Karena itu, asisten pesan suara melakukan dua panggilan: transkripsi, lalu chat.

## Pertanyaan umum

### Apakah vision-language model termasuk multimodal?

Ya. Vision-language model adalah jenis model multimodal yang paling umum, menerima teks dan gambar. Multimodal adalah istilah yang lebih luas dan juga mencakup audio dan video.

### Bisakah saya mengirim audio ke model chat di BroadNet?

Dokumentasi BroadNet mencantumkan audio hanya di endpoint transkripsi. Transkripsikan audionya dulu, lalu kirim teksnya ke model chat.

### Apakah gambar lebih mahal daripada teks?

Pada kunci bayar sesuai pemakaian BroadNet, gambar ditagih sebagai token input dengan harga input model, dan gambar yang lebih besar memakai lebih banyak token. Pada paket, gambar sudah termasuk dalam harga tetap.

## Lihat juga

-   [Vision-language model (VLM)](https://broadrouter.com/id/glossary/vision-language-model/) (istilah)
-   [Optical character recognition (OCR)](https://broadrouter.com/id/glossary/ocr/) (istilah)
-   [Speech-to-text (ucapan ke teks)](https://broadrouter.com/id/glossary/speech-to-text/) (istilah)
-   [Token](https://broadrouter.com/id/glossary/token/) (istilah)
-   [Context window (jendela konteks)](https://broadrouter.com/id/glossary/context-window/) (istilah)
-   [Membaca faktur dan struk berbahasa Arab dengan model vision](https://broadrouter.com/id/guides/read-arabic-invoices-with-vision/) (panduan)
-   [Transkripsi voice note WhatsApp ke teks dengan API](https://broadrouter.com/id/guides/transcribe-whatsapp-voice-notes/) (panduan)
-   [Ekstrak data faktur, struk, dan formulir ke JSON dengan vision LLM](https://broadrouter.com/id/blog/extract-data-from-documents-with-vision-llm/) (artikel)
-   [API LLM vision termurah: biaya per gambar dan per halaman, dihitung](https://broadrouter.com/id/blog/cheapest-vision-llm-api/) (artikel)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

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

**Sumber**

-   [Model card Hugging Face, google/gemma-4-26B-A4B-it (modalitas per ukuran model) (diperiksa 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Model card Hugging Face, Qwen/Qwen3.8-27B (input gambar dan video) (diperiksa 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI, panduan audio dan speech (transkripsi vs audio dalam chat) (diperiksa 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [Referensi API BroadNet Inference, model dan modalitas (diperiksa 2026-11-16) (bahasa Inggris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-glossary-multimodal&utm_content=sources)
