ai-multimodal
✓使用 Google Gemini API 处理和生成多媒体内容。功能包括分析音频文件（带时间戳的转录、摘要、语音理解、音乐/声音分析，长达 9.5 小时）、理解图像（字幕、对象检测、OCR、视觉问答、分割）、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（文本到图像、编辑、合成、细化）。在处理音频/视频文件、分析图像或屏幕截图、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或实现多模式 AI 功能时使用。支持多种模型（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/vibery-studio/templates --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？
使用 Google Gemini API 处理和生成多媒体内容。功能包括分析音频文件（带时间戳的转录、摘要、语音理解、音乐/声音分析，长达 9.5 小时）、理解图像（字幕、对象检测、OCR、视觉问答、分割）、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（文本到图像、编辑、合成、细化）。在处理音频/视频文件、分析图像或屏幕截图、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或实现多模式 AI 功能时使用。支持多种模型（Gemini 2.5/2.0），上下文窗口最多 2M 令牌。 来源：vibery-studio/templates。
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/vibery-studio/templates --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/vibery-studio/templates
详情
- 分类
- #文档处理
- 来源
- skills.sh
- 收录时间
- 2026-02-01