ai-multimodal
✓通過 Google Gemini API（2M 代幣上下文）進行多模式 AI 處理。功能：音頻（轉錄、最長 9.5 小時、摘要、音樂分析）、圖像（字幕、OCR、對象檢測、分割、視覺問答）、視頻（場景檢測、最長 6 小時、YouTube URL、時間分析）、文檔（PDF 提取、表格、表單、圖表）、圖像生成（文本到圖像、編輯）。操作：轉錄、分析、提取、字幕、檢測、分段、從媒體生成。關鍵詞：Gemini API、音頻轉錄、圖像字幕、OCR、對象檢測、視頻分析、PDF 提取、文本到圖像、多模式、語音識別、視覺問答、場景檢測、YouTube 轉錄、表格提取、表單處理、圖像生成、Imagen。使用場合：轉錄音頻/視頻、分析圖像/屏幕截圖、從 PDF 中提取數據、處理 YouTube 視頻、從文本生成圖像、實現多模式 AI 功能。
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/samhvw8/dot-claude --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？
通過 Google Gemini API（2M 代幣上下文）進行多模式 AI 處理。功能：音頻（轉錄、最長 9.5 小時、摘要、音樂分析）、圖像（字幕、OCR、對象檢測、分割、視覺問答）、視頻（場景檢測、最長 6 小時、YouTube URL、時間分析）、文檔（PDF 提取、表格、表單、圖表）、圖像生成（文本到圖像、編輯）。操作：轉錄、分析、提取、字幕、檢測、分段、從媒體生成。關鍵詞：Gemini API、音頻轉錄、圖像字幕、OCR、對象檢測、視頻分析、PDF 提取、文本到圖像、多模式、語音識別、視覺問答、場景檢測、YouTube 轉錄、表格提取、表單處理、圖像生成、Imagen。使用場合：轉錄音頻/視頻、分析圖像/屏幕截圖、從 PDF 中提取數據、處理 YouTube 視頻、從文本生成圖像、實現多模式 AI 功能。 來源：samhvw8/dot-claude。
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/samhvw8/dot-claude --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/samhvw8/dot-claude
詳情
- 分類
- #文件處理
- 來源
- skills.sh
- 收錄時間
- 2026-02-01