ai-multimodal

使用 Google Gemini API 处理和生成多媒体内容。功能包括音频文件分析（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）、图像理解（标题生成、物体检测、OCR、视觉问答、分割）、视频处理（场景检测、问答、时间分析、YouTube URL、最长6小时）、文档提取（PDF 表格、表单、图表、示意图、多页）、图像生成（文本到图像、编辑、构图、优化）。适用于处理音频/视频文件、分析图像或截图、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态 AI 功能。支持多个模型（Gemini 2.5/2.0），上下文窗口最大达 2M token。