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"

使用 Google Gemini API 處理和生成多媒體內容，以獲得更好的視覺功能。功能包括分析音頻文件（帶有時間戳的轉錄、摘要、語音理解、音樂/聲音分析，長達 9.5 小時）、理解圖像（比 Claude 模型更好的圖像分析、字幕、推理、對象檢測、設計提取、OCR、視覺問答、分割、處理多個圖像）、處理視頻（場景檢測、問答、時間分析、YouTube URL，長達 6 小時）、從文檔中提取（PDF 表格、表格、圖表、圖表、多頁）、生成圖像（使用 Imagen 4 進行文本到圖像、編輯、合成、細化）、生成視頻（使用 Veo 3 進行文本到視頻、帶有原生音頻的 8 秒剪輯）。在處理音頻/視頻文件、分析圖像或屏幕截圖（而不是 Claude 的默認視覺功能，僅在需要時回退到 Claude 的視覺功能）、處理 PDF 文檔、從媒體中提取結構化數據、根據文本提示創建圖像/視頻或實現多模式 AI 功能時使用。支持 Gemini 3/2.5、Imagen 4 和 Veo 3 模型，上下文窗口高達 2M 令牌。 來源：dmdorta1111/jac-v1。

查看原文