---
title: "AI میں ملٹی موڈل کا مطلب کیا ہے؟ متن، تصویر اور آڈیو"
description: "ملٹی موڈل ماڈل ایک سے زیادہ قسم کا ان پٹ لیتا ہے: متن، تصاویر، ویڈیو یا آڈیو۔ API پر ہر ایک کی لاگت کیا ہے، اور ایک ماڈل سب نہ کر سکے تو ماڈلز کیسے جوڑیں۔"
url: https://broadrouter.com/ur/glossary/multimodal/
lang: ur
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/glossary/multimodal/) (اپ ڈیٹ: 2026-11-16).

# ملٹی موڈل AI (multimodal AI)

اپ ڈیٹ 2026-11-16

ملٹی موڈل AI ایسا ماڈل یا سسٹم ہے جو ایک سے زیادہ قسم کے ڈیٹا، جیسے متن، تصاویر، ویڈیو اور آڈیو، کے ساتھ کام کرتا ہے۔ کوئی ملٹی موڈل ماڈل تصویر اور سوال ساتھ پڑھ سکتا ہے، یا آواز لے کر متن میں جواب دے سکتا ہے۔ vision-language ماڈل اس کی سب سے عام قسم ہے۔

دوسرے نام: ملٹی موڈل، ملٹی موڈل ماڈل، کثیر وسیلہ AI، multimodal kya hai، multimodal ai kya hota hai، multimodal model، multimodal AI model، multimodal input، multi-modal، modalities

“ملٹی موڈل” بتاتا ہے کہ کوئی ماڈل کیا کیا لے سکتا ہے۔ ہمیشہ درست فہرست دیکھیں، کیونکہ ملٹی موڈل کہلانے والے دو ماڈل کافی مختلف ان پٹ قبول کر سکتے ہیں۔

## یہ کیسے کام کرتا ہے

ہر قسم کا ان پٹ اسی چیز میں بدلا جاتا ہے جسے لینگویج ماڈل پہلے سے پڑھتا ہے: اس کی [کانٹیکسٹ ونڈو](https://broadrouter.com/ur/glossary/context-window/) میں ویکٹرز کی ایک ترتیب۔ متن [tokenizer](https://broadrouter.com/ur/glossary/tokenizer/) سے گزرتا ہے۔ تصویر ایک vision encoder سے گزر کر تصویری ٹوکنز کا ایک بلاک بنتی ہے۔ ویڈیو عموماً فریمز کی ایک سیریز کے طور پر سنبھالی جاتی ہے، اور آڈیو ایک audio encoder کے ذریعے۔

ماڈل کارڈز دکھاتے ہیں کہ یہ کتنا مخصوص ہو جاتا ہے، ایک ہی خاندان کے اندر بھی:

| ماڈل | ماڈل کارڈ پر درج ان پٹ | آؤٹ پٹ |
| --- | --- | --- |
| Gemma 4 26B A4B | متن، تصویر، فریمز کی صورت میں ویڈیو؛ آڈیو نہیں (Google آڈیو صرف E2B، E4B اور 12B سائز کے لیے بتاتا ہے) | متن |
| Qwen3.8 27B | متن، تصویر، ویڈیو | متن |

APIs بھی کام کو اینڈپوائنٹ کے لحاظ سے تقسیم کرتے ہیں۔ مثال کے طور پر OpenAI کی آڈیو گائیڈ فائل ٹرانسکرپشن کو speech-to-text اینڈپوائنٹ پر بھیجتی ہے، اور جن چیٹ ایپس کو آڈیو چاہیے انہیں ایک الگ audio-in-chat فیچر کی طرف لے جاتی ہے۔

متن اور تصاویر کے لیے محدود تر اصطلاح [vision-language ماڈل](https://broadrouter.com/ur/glossary/vision-language-model/) ہے۔

## یہ کیوں اہم ہے

-   **لاگت۔** متن کے علاوہ ان پٹ ٹوکنز میں بدلے جاتے ہیں یا میڈیا کی اکائی کے حساب سے بل ہوتے ہیں۔ BroadNet پر بڑی تصویر زیادہ ان پٹ ٹوکن لیتی ہے، اس لیے اتنی ہی تفصیل تک resize کریں جتنی ضرورت ہے۔
-   **آرکیٹیکچر۔** اگر کوئی اکیلا ماڈل آپ کے تمام ان پٹ قبول نہیں کرتا تو ماڈلز جوڑیں: پہلے speech-to-text، پھر متن یا vision ماڈل۔
-   **معیار کی جانچ۔** چھپی ہوئی انوائس، چارٹ یا ہاتھ سے لکھا نوٹ پڑھنا الگ الگ مہارتیں ہیں۔ ہر modality کو اپنی دستاویزات پر ٹیسٹ کریں، صرف ڈیمو تصویر پر نہیں۔

## BroadNet Inference پر

BroadNet کی دستاویزات ہر ماڈل کے لیے یہ ان پٹ درج کرتی ہیں:

| ماڈل | ان پٹ |
| --- | --- |
| DeepSeek V4.1 Flash | متن اور تصاویر |
| GLM 5.3 | متن |
| [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) | متن اور vision |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) | متن اور تصاویر |
| BroadNet Transcribe Arabic / BroadNet Transcribe | آڈیو، `/v1/audio/transcriptions` پر |

تصاویر `/v1/chat/completions` پر میسج content فہرست میں `data:` URL کے طور پر جاتی ہیں؛ [عربی انوائس گائیڈ](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) میں مکمل مثال ہے۔ آڈیو ایک الگ درخواست ہے: 26,214,400 بائٹس تک کی WAV یا MP3، `language` سیٹ کر کے، جیسا کہ [WhatsApp وائس نوٹس گائیڈ](https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/) میں ہے۔ اس لیے وائس نوٹ اسسٹنٹ دو کالز کرتا ہے: پہلے ٹرانسکرائب، پھر چیٹ۔

## عام سوالات

### کیا vision-language ماڈل ملٹی موڈل ہوتا ہے؟

جی ہاں۔ vision-language ماڈل ملٹی موڈل ماڈل کی سب سے عام قسم ہے، جو متن اور تصاویر لیتا ہے۔ ملٹی موڈل وسیع تر اصطلاح ہے اور اس میں آڈیو اور ویڈیو بھی آتے ہیں۔

### کیا میں BroadNet پر چیٹ ماڈل کو آڈیو بھیج سکتا ہوں؟

BroadNet کی دستاویزات آڈیو صرف ٹرانسکرپشن اینڈپوائنٹ پر درج کرتی ہیں۔ پہلے آڈیو ٹرانسکرائب کریں، پھر متن چیٹ ماڈل کو بھیجیں۔

### کیا تصاویر متن سے مہنگی پڑتی ہیں؟

BroadNet کی استعمال کے مطابق ادائیگی والی کلیدوں پر تصویر ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکن کے طور پر بل ہوتی ہے، اور بڑی تصویر زیادہ ٹوکن لیتی ہے۔ پلان پر تصاویر مقررہ قیمت میں شامل ہیں۔

## یہ بھی دیکھیں

-   [ویژن لینگویج ماڈل (VLM)](https://broadrouter.com/ur/glossary/vision-language-model/) (اصطلاح)
-   [OCR (optical character recognition)](https://broadrouter.com/ur/glossary/ocr/) (اصطلاح)
-   [اسپیچ ٹو ٹیکسٹ (speech-to-text)](https://broadrouter.com/ur/glossary/speech-to-text/) (اصطلاح)
-   [ٹوکن (token)](https://broadrouter.com/ur/glossary/token/) (اصطلاح)
-   [کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/) (اصطلاح)
-   [وژن ماڈل سے عربی انوائسز اور رسیدیں پڑھیں](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) (گائیڈ)
-   [API کے ذریعے WhatsApp وائس نوٹس کو متن میں بدلیں](https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/) (گائیڈ)
-   [وژن LLM سے انوائس، رسید اور فارم کا ڈیٹا JSON میں نکالیں](https://broadrouter.com/ur/blog/extract-data-from-documents-with-vision-llm/) (مضمون)
-   [سب سے سستا وژن LLM API: فی تصویر اور فی صفحہ لاگت کا حساب](https://broadrouter.com/ur/blog/cheapest-vision-llm-api/) (مضمون)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [Hugging Face ماڈل کارڈ، google/gemma-4-26B-A4B-it (ماڈل سائز کے لحاظ سے modalities) (جانچ: 2026-11-16)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Hugging Face ماڈل کارڈ، Qwen/Qwen3.8-27B (تصویر اور ویڈیو ان پٹ) (جانچ: 2026-11-16)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [OpenAI، آڈیو اور اسپیچ گائیڈ (ٹرانسکرپشن بمقابلہ چیٹ میں آڈیو) (جانچ: 2026-11-16)](https://developers.openai.com/api/docs/guides/audio)
-   [BroadNet Inference API ریفرنس، ماڈلز اور modalities (جانچ: 2026-11-16) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-glossary-multimodal&utm_content=sources)
