Explicación detallada
Un modelo multimodal acepta, por ejemplo, una imagen + un texto y produce una respuesta escrita, o acepta un texto y genera un vídeo. Esta unificación abre casos de uso muy variados: análisis de capturas de pantalla, visión y lenguaje en robótica, asistentes de voz completos.
Ejemplos
GPT-4o que ve y escucha
Gemini multimodal
Claude 3.5 leyendo PDFs ilustrados
Sora para vídeo
Preguntas frecuentes
¿Todos los LLM son multimodales?
No: algunos siguen siendo solo texto. Los modelos multimodales ganan terreno pero son más costosos.
Términos relacionados
IA generativa
Familia de modelos de IA capaces de crear contenidos nuevos (texto, imagen, audio, vídeo, código) a partir de un prompt.
LLM (Large Language Model)
Modelo de lenguaje entrenado con inmensos corpus de texto para comprender y generar lenguaje natural.
Speech-to-Text
Tecnología que transcribe automáticamente la voz en texto escrito.
Text-to-Speech
Tecnología que sintetiza una voz realista a partir de un texto escrito.
Visión IA
Capacidad de un modelo de IA para analizar, comprender y generar imágenes o vídeos.
Última actualización: 15/7/2026