ai-multimodal
✓通过 Google Gemini API（2M 代币上下文）进行多模式 AI 处理。功能：音频（转录、最长 9.5 小时、摘要、音乐分析）、图像（字幕、OCR、对象检测、分割、视觉问答）、视频（场景检测、最长 6 小时、YouTube URL、时间分析）、文档（PDF 提取、表格、表单、图表）、图像生成（文本到图像、编辑）。操作：转录、分析、提取、字幕、检测、分段、从媒体生成。关键词：Gemini API、音频转录、图像字幕、OCR、对象检测、视频分析、PDF 提取、文本到图像、多模式、语音识别、视觉问答、场景检测、YouTube 转录、表格提取、表单处理、图像生成、Imagen。使用场合：转录音频/视频、分析图像/屏幕截图、从 PDF 中提取数据、处理 YouTube 视频、从文本生成图像、实现多模式 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 | - | ✓ | - | - | - |
可引用信息
为搜索与 AI 引用准备的稳定字段与命令。
- 安装命令
npx skills add https://github.com/samhvw8/dot-claude --skill ai-multimodal- 分类
- #文档处理
- 认证
- ✓
- 收录时间
- 2026-02-01
- 更新时间
- 2026-02-18
快速解答
什么是 ai-multimodal？
通过 Google Gemini API（2M 代币上下文）进行多模式 AI 处理。功能：音频（转录、最长 9.5 小时、摘要、音乐分析）、图像（字幕、OCR、对象检测、分割、视觉问答）、视频（场景检测、最长 6 小时、YouTube URL、时间分析）、文档（PDF 提取、表格、表单、图表）、图像生成（文本到图像、编辑）。操作：转录、分析、提取、字幕、检测、分段、从媒体生成。关键词：Gemini API、音频转录、图像字幕、OCR、对象检测、视频分析、PDF 提取、文本到图像、多模式、语音识别、视觉问答、场景检测、YouTube 转录、表格提取、表单处理、图像生成、Imagen。使用场合：转录音频/视频、分析图像/屏幕截图、从 PDF 中提取数据、处理 YouTube 视频、从文本生成图像、实现多模式 AI 功能。 来源：samhvw8/dot-claude。
如何安装 ai-multimodal？
打开你的终端或命令行工具（如 Terminal、iTerm、Windows Terminal 等） 复制并运行以下命令：npx skills add https://github.com/samhvw8/dot-claude --skill ai-multimodal 安装完成后，技能将自动配置到你的 AI 编程环境中，可以在 Claude Code 或 Cursor 中使用
这个 Skill 的源码在哪？
https://github.com/samhvw8/dot-claude
详情
- 分类
- #文档处理
- 来源
- skills.sh
- 收录时间
- 2026-02-01