ai-multimodal
✓使用 Google Gemini API 處理和生成多媒體內容。功能包括分析音頻文件（帶時間戳的轉錄、摘要、語音理解、音樂/聲音分析，長達 9.5 小時）、理解圖像（字幕、對象檢測、OCR、視覺問答、分割）、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（文本到圖像、編輯、合成、細化）。在處理音頻/視頻文件、分析圖像或屏幕截圖、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或實現多模式 AI 功能時使用。支持多種模型（Gemini 2.5/2.0），上下文窗口最多 2M 令牌。
SKILL.md
Process audio, images, videos, documents, and generate images using Google Gemini's multimodal API. Unified interface for all multimedia content understanding and generation.
| Task | Audio | Image | Video | Document | Generation |
| Transcription | ✓ | - | ✓ | - | - | | Summarization | ✓ | ✓ | ✓ | ✓ | - | | Q&A | ✓ | ✓ | ✓ | ✓ | - | | Object Detection | - | ✓ | ✓ | - | - | | Text Extraction | - | ✓ | - | ✓ | - | | Structured Output | ✓ | ✓ | ✓ | ✓ | - | | Creation | TTS | - | - | - | ✓ | | Timestamps | ✓ | - | ✓ | - | - | | Segmentation | - | ✓ | - | - | - |
可引用資訊
為搜尋與 AI 引用準備的穩定欄位與指令。
- 安裝指令
npx skills add https://github.com/mrgoonie/claudekit-skills --skill ai-multimodal- 分類
- #文件處理
- 認證
- ✓
- 收錄時間
- 2026-02-01
- 更新時間
- 2026-02-18
快速解答
什麼是 ai-multimodal？
使用 Google Gemini API 處理和生成多媒體內容。功能包括分析音頻文件（帶時間戳的轉錄、摘要、語音理解、音樂/聲音分析，長達 9.5 小時）、理解圖像（字幕、對象檢測、OCR、視覺問答、分割）、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（文本到圖像、編輯、合成、細化）。在處理音頻/視頻文件、分析圖像或屏幕截圖、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或實現多模式 AI 功能時使用。支持多種模型（Gemini 2.5/2.0），上下文窗口最多 2M 令牌。 來源：mrgoonie/claudekit-skills。
如何安裝 ai-multimodal？
開啟你的終端機或命令列工具（如 Terminal、iTerm、Windows Terminal 等） 複製並執行以下指令：npx skills add https://github.com/mrgoonie/claudekit-skills --skill ai-multimodal 安裝完成後，技能將自動設定到你的 AI 程式設計環境中，可以在 Claude Code 或 Cursor 中使用
這個 Skill 的原始碼在哪？
https://github.com/mrgoonie/claudekit-skills
詳情
- 分類
- #文件處理
- 來源
- skills.sh
- 收錄時間
- 2026-02-01