Além do texto: imagem, documento, vídeo e áudio

Toda mensagem da Converse tem um content, que é uma lista de blocos. Cada bloco tem uma chave que diz o tipo. Texto é só um dos tipos — o mesmo array aceita imagem, documento e vídeo lado a lado com o texto.

• text — a string do prompt. O tipo mais comum, mas nunca o único disponível.
• image — visão (vision): png, jpeg, gif, webp. Para OCR, descrição e análise visual.
• document — arquivos: pdf, csv, doc, docx, xls, xlsx, html, txt, md. O modelo lê o conteúdo do arquivo.
• video — vídeo (mp4 e outros), nos modelos que suportam. Sumarização e QA sobre gravações.
• reasoningContent, toolUse e toolResult — blocos que aparecem em raciocínio e tool use; cobertos em módulos próprios.

Antes do código, fixe os limites que a Converse impõe. Eles mudam por modalidade e são a fonte número um de erro 400 de quem começa (mandar imagem grande demais, PDF acima do teto, esquecer o bloco text do documento).

Mandar uma imagem transforma o LLM num modelo de visão: ele descreve, faz OCR, lê um gráfico, compara telas, modera conteúdo. Na Converse os limites são concretos e vale memorizá-los:

• Formatos aceitos: png, jpeg, gif, webp — o campo format deve bater com os bytes reais.
• Até 20 imagens por request na Converse.
• Cada imagem ≤ 3,75 MB.
• Dimensão máxima 8000×8000 px.
• Casos típicos: OCR de nota fiscal, descrição de imagem, leitura de gráfico/diagrama, moderação visual, comparação de telas.

import boto3

bedrock = boto3.client("bedrock-runtime", region_name="us-east-1")

# Lê o arquivo local; o SDK faz o base64 por baixo dos panos.
with open("diagrama.png", "rb") as f:
    image_bytes = f.read()

resp = bedrock.converse(
    modelId="us.anthropic.claude-sonnet-4-5-20250929-v1:0",
    messages=[
        {
            "role": "user",
            "content": [
                {"text": "Descreva o que aparece nesta imagem e extraia todo o texto visível."},
                {
                    "image": {
                        "format": "png",
                        "source": {"bytes": image_bytes},
                    }
                },
            ],
        }
    ],
)

print(resp["output"]["message"]["content"][0]["text"])

O bloco document manda o arquivo inteiro para o modelo ler — não é OCR de imagem, é o conteúdo estruturado (texto, tabelas, layout). Aceita pdf, csv, doc, docx, xls, xlsx, html, txt, md: até 5 documentos por request, ≤ 4,5 MB cada. Mas esse teto tem uma exceção que muda o jogo.

• Até 5 documentos por request na Converse.
• Limite geral de 4,5 MB por documento.
• Exceção: o teto de 4,5 MB NÃO se aplica a PDF nos modelos Claude 4+, nem a PDF e DOCX nos modelos Nova — aí você manda arquivos bem maiores (confirme o teto vigente no console/docs).
• Todo bloco document EXIGE um bloco text no mesmo content — nem que seja 'Resuma este arquivo'.

import boto3

bedrock = boto3.client("bedrock-runtime", region_name="us-east-1")

resp = bedrock.converse(
    modelId="us.anthropic.claude-sonnet-4-5-20250929-v1:0",
    messages=[
        {
            "role": "user",
            "content": [
                {"text": "Resuma este contrato em 5 bullets e liste as clausulas de rescisao."},
                {
                    "document": {
                        "format": "pdf",
                        # Nome NEUTRO e fixo, nunca derivado do usuario (vetor de injection).
                        "name": "doc1",
                        "source": {
                            "s3Location": {
                                "uri": "s3://meu-bucket/contratos/2026/contrato-123.pdf",
                                # Conta dona do bucket (obrigatorio em cross-account).
                                "bucketOwner": "123456789012",
                            }
                        },
                    }
                },
            ],
        }
    ],
)

print(resp["output"]["message"]["content"][0]["text"])

Vídeo é a modalidade mais recente e a mais restrita: só alguns modelos suportam (na família Amazon Nova, por exemplo, Nova Pro e Nova 2). Claude e a maioria dos modelos de texto não processam vídeo. Como um clipe pesa muito, o caminho recomendado é referenciar por S3, não embutir bytes.

Todo bloco image, document e video aceita duas fontes: source.bytes (o arquivo vai embutido no request; o SDK faz o base64) ou source.s3Location.uri (o Bedrock lê o objeto direto do seu bucket). A escolha é sobre tamanho e onde o arquivo já está.

Modelos de raciocínio (Claude com extended thinking, DeepSeek-R1, Nova com reasoning) não devolvem só text: devolvem também um bloco reasoningContent com o passo a passo do raciocínio, separado da resposta final. E ele vem com uma pegadinha de estado.