ai-multimodal

SKILL.md

Process audio, images, videos, documents, and generate images/videos using Google Gemini's multimodal API.

For high-volume usage or when hitting rate limits, configure multiple API keys:

Verify setup: python scripts/checksetup.py Analyze media: python scripts/geminibatchprocess.py --files --task

使用 Google Gemini API 处理和生成多媒体内容，以获得更好的视觉功能。功能包括分析音频文件（带有时间戳的转录、摘要、语音理解、音乐/声音分析，长达 9.5 小时）、理解图像（比 Claude 模型更好的图像分析、字幕、推理、对象检测、设计提取、OCR、视觉问答、分割、处理多个图像）、处理视频（场景检测、问答、时间分析、YouTube URL，长达 6 小时）、从文档中提取（PDF 表格、表格、图表、图表、多页）、生成图像（使用 Imagen 4 进行文本到图像、编辑、合成、细化）、生成视频（使用 Veo 3 进行文本到视频、带有原生音频的 8 秒剪辑）。在处理音频/视频文件、分析图像或屏幕截图（而不是 Claude 的默认视觉功能，仅在需要时回退到 Claude 的视觉功能）、处理 PDF 文档、从媒体中提取结构化数据、根据文本提示创建图像/视频或实现多模式 AI 功能时使用。支持 Gemini 3/2.5、Imagen 4 和 Veo 3 模型，上下文窗口高达 2M 令牌。 来源：duc01226/easyplatform。

查看原文