ai-multimodal

Procesar y generar contenido multimedia utilizando la API de Google Gemini. Las capacidades incluyen analizar archivos de audio (transcripción con marcas de tiempo, resúmenes, comprensión del habla, análisis de música/sonido hasta 9,5 horas), comprender imágenes (subtítulos, detección de objetos, OCR, preguntas y respuestas visuales, segmentación), procesar videos (detección de escenas, preguntas y respuestas, análisis temporal, URL de YouTube, hasta 6 horas), extraer de documentos (tablas PDF, formularios, gráficos, diagramas, varias páginas), generar imágenes (texto a imagen, edición, composición, refinamiento). Úselo cuando trabaje con archivos de audio/video, analice imágenes o capturas de pantalla, procese documentos PDF, extraiga datos estructurados de medios, cree imágenes a partir de mensajes de texto o implemente funciones de IA multimodal. Admite múltiples modelos (Gemini 2.5/2.0) con ventanas de contexto de hasta 2 millones de tokens.