O que significa combinar diferentes tipos de entrada e por que ainda é importante verificar a resposta.
O sentido de multimodal
Uma ferramenta multimodal pode trabalhar com mais de um tipo de informação — por exemplo, texto e imagem, ou texto e áudio. Isso permite pedir a descrição de uma foto, resumir uma gravação ou conversar usando voz, conforme os recursos do produto.
A experiência varia entre modelos. Alguns recursos podem estar disponíveis apenas em certos planos, regiões ou aplicativos. Consulte a documentação do serviço antes de contar com uma função em um fluxo de trabalho.
Mais contexto também exige cuidado
Uma imagem pode incluir rostos, documentos ou localização; uma gravação pode conter informações pessoais. Revise o conteúdo antes de enviar e confirme se você tem autorização para compartilhar materiais de outras pessoas.
Modelos podem interpretar uma imagem ou transcrição de forma equivocada. Em situações importantes, confira o material original e não trate uma descrição automática como prova ou avaliação profissional.
Experimente com uma tarefa pequena
Comece com conteúdo não sensível: peça para organizar uma foto de uma estante, resumir um áudio seu ou explicar um gráfico simples. Compare a resposta com a fonte e observe quais tipos de erro aparecem.
Para continuar a leitura
Consulte também estas referências:
Visão geral da API de áudio — OpenAI Developers ↗