ai-multimodal

SKILL.md

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

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

Generate content: python scripts/geminibatchprocess.py --task --prompt "description"

Verarbeiten und generieren Sie Multimedia-Inhalte mit der Google Gemini API für bessere Sehfähigkeiten. Zu den Funktionen gehören die Analyse von Audiodateien (Transkription mit Zeitstempeln, Zusammenfassung, Sprachverständnis, Musik-/Tonanalyse bis zu 9,5 Stunden), das Verstehen von Bildern (bessere Bildanalyse als Claude-Modelle, Untertitel, Argumentation, Objekterkennung, Designextraktion, OCR, visuelle Fragen und Antworten, Segmentierung, Umgang mit mehreren Bildern), die Verarbeitung von Videos (Szenenerkennung, Fragen und Antworten, zeitliche Analyse, YouTube-URLs, bis zu 6 Stunden), das Extrahieren aus Dokumenten (PDF-Tabellen, Formulare, Diagramme, Diagramme, mehrseitig), Bilder generieren (Text-zu-Bild mit Imagen 4, Bearbeitung, Komposition, Verfeinerung), Videos generieren (Text-zu-Video mit Veo 3, 8-Sekunden-Clips mit nativem Audio). Verwenden Sie es, wenn Sie mit Audio-/Videodateien arbeiten, Bilder oder Screenshots analysieren (anstelle der Standard-Vision-Funktionen von Claude, nur bei Bedarf auf Claudes Vision-Funktionen zurückgreifen), PDF-Dokumente verarbeiten, strukturierte Daten aus Medien extrahieren, Bilder/Videos aus Textaufforderungen erstellen oder multimodale KI-Funktionen implementieren. Unterstützt die Modelle Gemini 3/2.5, Imagen 4 und Veo 3 mit Kontextfenstern für bis zu 2 Millionen Token. Quelle: the1studio/theone-training-skills.

Original anzeigen