| Modalnost | OpenAI GPT | Gemini API | |
|---|---|---|---|
| Besedilo | Izvorno | Izvorno | |
| Slike | Izvorno | Izvorno | |
| Zvok | Izvorno | Izvorno (do 11 ur) | |
| Video | Samo izločanje sličic | Izvorno (do 1 ure) | |
| PDF-ji | Prek nalaganja datotek | Izvorno (do 1.000 strani) |
Besedilo: Prompti, koda, strukturirani podatki, navodila
Slike: JPEG, PNG, GIF, WebP za vizualno odgovarjanje na vprašanja in OCR
Zvok: Do 11 ur MP3, WAV, FLAC za prepis in analizo
Video: Do 1 ure MP4 za analizo prizorov in izločanje vsebine
PDF-ji: Do 1.000 strani s polnim večmodalnim razumevanjem dokumentov
Cena zvoka se razlikuje od cene besedila
Pri modelih, kot je Gemini 2.5 Flash, zvočni vhod stane 1,00 USD/M tokenov v primerjavi z 0,30 USD/M za besedilo, slike in video. Temu prilagodite načrtovanje večmodalne uporabe. Pri obremenitvah z veliko zvoka se lahko splača zvok najprej prepisati v besedilo, če primer uporabe ne zahteva zvočne analize.