源自 GitHub多模态音视频图文解析与生成
该能力基于 Google Gemini 2.0/2.5 系列模型的多模态 API，提供对音频、图像、视频和多页文档的一站式解析与生成能力。它支持最长 9.5 小时音频带时间戳转写与说话人分析、最长 6 小时长视频或 YouTube 链接的分段理解与问答、上千页复杂 PDF 的表格图表结构化提取（导出为 JSON/Markdown），以及目标检测、像素级分割与高画质文生图。配套提供了多媒体预处理、文档转换与批量调用脚本，能够帮助用户高效构建多模态内容处理流。
常见场景
它能帮你做什么？
长会议音视频转写与议程复盘：输入长达数小时的团队会议录音或远程会议视频录像，自动识别说话人并生成带时间戳的完整逐字稿与按议题归纳的要点决议。
跨页PDF财报与图表结构化提取：输入包含复杂嵌套表格、财务数据与图表的上百页行业报告PDF，通过视觉识别解析跨页数据并严格按JSON Schema输出结构化指标。
视频镜头拆解与多图视觉比对分析：输入长视频文件或多张现场检测图像，自动进行分镜检测、关键画面目标边界框定位、OCR文本提取及同构对比。
三步完成
怎么使用
把右侧安装请求发给你的 AI。
告诉 AI 你想完成什么，或直接贴入内容。
按需要继续调整语气、范围或格式。
复制就能用
你可以直接这样说
“运行脚本分析 interview_recording.mp3，生成包含发言人区分和精确时间戳的访谈逐字稿及核心观点摘要”
“解析 product_catalog.pdf 的第 15 到 30 页，将其中的规格参数表和价格对比图提取为符合规范的 JSON 格式数据”
“分析 security_camera.mp4 视频，找出所有人员进入仓库画面的具体时间点并描述其携带的物品”
“调用 gemini-2.5-flash-image 模型，以 16:9 画幅生成一张写实风格的赛博朋克雨夜街道商业概念图”
适用人群
适合谁？
上手门槛
使用难度
需要了解任务流程，页面已整理好使用步骤。
兼容范围
支持哪些 AI？
Codex可直接使用
Claude Code可直接使用
OpenClaw可直接使用
Hermes可直接使用中文用户增强
