Che cos'è ai-multimodal?
Elabora e genera contenuti multimediali utilizzando l'API Google Gemini per migliori capacità di visione. Le funzionalità includono analisi di file audio (trascrizione con timestamp, riepilogo, comprensione del parlato, analisi di musica/suono fino a 9,5 ore), comprensione di immagini (migliore analisi delle immagini rispetto ai modelli Claude, didascalie, ragionamento, rilevamento di oggetti, estrazione di progetti, OCR, domande e risposte visive, segmentazione, gestione di più immagini), elaborazione di video (rilevamento di scene, domande e risposte, analisi temporale, URL di YouTube, fino a 6 ore), estrazione da documenti (tabelle PDF, moduli, grafici, diagrammi, multipagina), generare immagini (da testo a immagine con Imagen 4, editing, composizione, perfezionamento), generare video (da testo a video con Veo 3, clip da 8 secondi con audio nativo). Da utilizzare quando si lavora con file audio/video, si analizzano immagini o screenshot (invece delle capacità di visione predefinite di Claude, si ricorre alle capacità di visione di Claude solo se necessario), si elaborano documenti PDF, si estraggono dati strutturati da contenuti multimediali, si creano immagini/video da istruzioni di testo o si implementano funzionalità IA multimodali. Supporta i modelli Gemini 3/2.5, Imagen 4 e Veo 3 con finestre di contesto fino a 2 milioni di token. Fonte: congdon1207/agents.md.