El coste de cada modalidad

Un modelo multimodal no tiene cuatro entradas: tiene una. Texto, imagen, audio y vídeo se convierten todos en tokens antes de entrar, y la ventana de contexto no es un tamaño sino un presupuesto que cada modalidad gasta a una tasa distinta. De ahí sale la única cuenta que hay que hacer antes de subir nada: tasa × duración. Y el corolario que ninguna comparativa de modelos menciona: una ventana enorme solo es barata mientras está vacía.

01 — Conversión

Todo entra como tokens

Ninguna modalidad es especial por dentro. La imagen se trocea y se codifica, el audio se recorre a una cadencia fija, el vídeo se descompone en imágenes más audio. Lo que cambia de una a otra es cuántos tokens produce cada unidad de material, y eso hace que intuiciones perfectamente razonables sobre el tamaño de un archivo no sirvan de nada: un MP3 de 3 MB y un PDF de 3 MB no cuestan ni parecido.

Estas son las tasas que afirma el material del módulo. No están verificadas, y esa advertencia importa más que los números en sí:

Modalidad	Tasa según la guía	Qué la hace envejecer
Texto	La tokenización de siempre	Estable; depende del tokenizador
Imagen	«258 tokens fijos»	«Fijos» esconde un umbral de resolución que no se menciona
Audio	«25 tokens por segundo» · «1.500 por minuto»	Propiedad del codificador: cambia con la arquitectura
Vídeo	«según su duración y framerate»	Sin cifra: es la única que la guía no cuantifica

Fíjate en la última fila. El vídeo es la modalidad más cara y es justo la que se queda sin número — y no por descuido: un vídeo son fotogramas más audio, así que su coste depende de a cuántas imágenes por segundo lo muestree el proveedor, un detalle que no controlas y que puede cambiar.

02 — Aritmética

La cuenta que la guía no hace

Las cifras sueltas no dicen nada; multiplicadas, sí. Esto es lo que sale de aplicar las tasas de la tabla anterior a materiales corrientes, y por eso mismo hereda su misma incertidumbre:

Consumo relativo del presupuesto de contexto

1 imagen

~258 tok

1 min de audio

~1.500 tok

30 min de audio

~45.000 tok

9,5 h de audio

~855.000 tok

// escala logarítmica aproximada, calculada con las tasas que afirma la guía — no verificadas

La última fila es la interesante. La guía dice, por un lado, que el modelo aguanta «hasta 9,5 horas de audio en una sola ventana de contexto» y, por otro, que la ventana llega «hasta 1-2 M de tokens». A 25 tokens por segundo, 9,5 horas son unos 855.000 tokens: cuadra bien con una ventana de un millón, y no con una de dos. Las cifras del material son coherentes entre sí, lo cual dice algo bueno sobre su origen — pero pertenecen a una versión concreta que el texto nunca nombra.

Y aquí está el punto que se le escapa a casi todo el mundo cuando compara proveedores por el tamaño de su ventana: llenar la ventana se paga. Una de dos millones de tokens no es una ventaja gratuita, es la posibilidad de gastar el doble en una sola llamada. Subir un podcast entero para preguntarle una cosa cuesta lo mismo que subirlo para preguntarle veinte — lo cual, dicho al revés, es el argumento definitivo a favor de agrupar preguntas.

// una ventana grande no es capacidad regalada: es permiso para gastar más de una vez

03 — Medición

Medir en vez de estimar

Nada de lo anterior hace falta si mides. Cada respuesta trae el recuento real de lo que acabas de gastar, y ese dato no caduca ni depende de que un PDF esté actualizado:

respuesta = modelo.generate_content([prompt, archivo])

print(respuesta.usage_metadata)   # entrada, salida y total de esta llamada

Dos costumbres que valen para todo lo que viene después. La primera: imprime usage_metadata mientras desarrollas, siempre, aunque no te importe el coste ese día — es como se descubre que una función que creías barata sube un archivo dentro de un bucle. La segunda: cuando compares dos modelos o dos variantes, compara la misma unidad. Los tokens de entrada y los de salida no se pagan igual, y una comparación que los suma en un único número no compara nada.

Auditoría Esta lección está construida sobre ocho cifras del material y ninguna trae fecha ni fuente. Tres preguntas antes de fiarte de cualquiera. Una: ¿258 tokens por imagen valen para cualquier imagen, o hay una resolución a partir de la cual se trocea y cuesta un múltiplo de eso? La palabra «fijos» invita a no comprobarlo, que es justo lo que la hace peligrosa. Dos: la guía dice «1-2 M de tokens» en una unidad y «hasta 2 millones» en otra; ¿a qué variante concreta corresponde cada una, y cuál tienes tú delante? Tres: afirma que los modelos de Google tienen «una ventana mucho más grande y costes competitivos», sin decir contra quién, en qué unidad ni cuándo — ¿sigue siendo cierto hoy, comparando entrada con entrada y salida con salida? Ninguna de las tres se responde leyendo el PDF; las tres se responden en diez minutos con las páginas oficiales de precios y límites.

Para hacer

Fabricarte tu propia tabla de tasas

Coge una imagen, un minuto de audio y el mismo texto en un PDF de una página. Súbelos por separado, lanza el prompt más corto que se te ocurra a cada uno y anota el usage_metadata de las tres llamadas. Resta el coste del prompt y te queda lo que cuesta el archivo.

Compara esos tres números con la tabla de la sección 01. Si coinciden, ya tienes las tasas verificadas con fecha y puedes escribirlas en auditoria/ como hechos tuyos. Si no coinciden, acabas de encontrar algo mejor: la prueba de que el material va por detrás, y el reflejo de medir antes que creer.