ai-multimodal

Process audio, images, videos, documents, and generate images/videos using Google Gemini's multimodal API.

For high-volume usage or when hitting rate limits, configure multiple API keys:

Verify setup: python scripts/checksetup.py Analyze media: python scripts/geminibatchprocess.py --files --task

قم بمعالجة وإنشاء محتوى الوسائط المتعددة باستخدام Google Gemini API للحصول على إمكانات رؤية أفضل. تشمل القدرات تحليل الملفات الصوتية (النسخ مع الطوابع الزمنية، والتلخيص، وفهم الكلام، وتحليل الموسيقى/الصوت لمدة تصل إلى 9.5 ساعات)، وفهم الصور (تحليل أفضل للصور من نماذج كلود، والتسمية التوضيحية، والتفكير، والكشف عن الكائنات، واستخراج التصميم، والتعرف الضوئي على الحروف، والأسئلة والأجوبة المرئية، والتجزئة، والتعامل مع صور متعددة)، ومعالجة مقاطع الفيديو (الكشف عن المشهد، والأسئلة والأجوبة، والتحليل الزمني، وعناوين URL على YouTube، حتى 6 ساعات)، والاستخراج من المستندات (جداول PDF، والنماذج، والرسوم البيانية، الرسوم البيانية، متعددة الصفحات)، وإنشاء الصور (تحويل النص إلى صورة باستخدام Imagen 4، والتحرير، والتركيب، والتحسين)، وإنشاء مقاطع فيديو (تحويل النص إلى فيديو باستخدام Veo 3، ومقاطع مدتها 8 ثوانٍ بصوت أصلي). يُستخدم عند العمل مع ملفات الصوت/الفيديو، أو تحليل الصور أو لقطات الشاشة (بدلاً من إمكانات الرؤية الافتراضية لـ Claude، يمكنك الرجوع فقط إلى إمكانات رؤية Claude إذا لزم الأمر)، أو معالجة مستندات PDF، أو استخراج البيانات المنظمة من الوسائط، أو إنشاء صور/مقاطع فيديو من المطالبات النصية، أو تنفيذ ميزات الذكاء الاصطناعي متعددة الوسائط. يدعم نماذج Gemini 3/2.5 وImagen 4 وVeo 3 مع نوافذ سياقية تصل إلى 2M من الرموز المميزة. المصدر: duonglx/chanmayfoods.