Gemini多媒体生成

技能简介

本技能整合Google Gemini API的六项核心能力，提供端到端的多模态媒体工作流与代码模板，覆盖图像生成/理解、视频生成/理解、语音合成与音频理解六大场景。

能做什么

• Nano Banana图像生成：文生图、图像编辑、多轮迭代优化
• 图像理解：图文问答、分类对比、信息提取（支持内联与Files API）
• Veo 3.1视频生成：8秒视频生成，支持宽高比控制、首尾帧引导、原生音频
• 视频理解：上传/YouTube链接分析，生成摘要、问答、带时间戳的证据提取
• Gemini原生TTS：单/多说话人，可控风格/口音/语速/语调
• 音频理解：描述、转录、时间段转录、Token计数

使用说明

安装依赖

npm install @google/genai

环境配置

设置API密钥：export GEMINI_API_KEY="your_key"

快速选择模型

• 图像生成：gemini-2.5-flash-image（速度优先）或 gemini-3-pro-image-preview（质量优先）
• 视频生成：veo-3.1-generate-preview
• 语音合成：gemini-2.5-flash-preview-tts
• 通用理解：gemini-3-flash-preview

文件输入模式

小文件（<20MB）用内联Base64；大文件或需复用走Files API：先调用files.upload()获取URI，再在generateContent中引用。

输出处理

• 图像：解析response中的inline_data Base64，保存为PNG/JPG
• 语音：返回PCM字节（24kHz/16bit/单声道），保存为.pcm或封装为.wav
• 视频：异步任务，轮询operation状态后下载

输入与输出

见下方输入与输出表格。

风险提示

• 模型名称、版本、限额可能变更，使用前请核对官方文档
• 内联模式有~20MB总请求大小限制，超限自动切换Files API
• Veo视频生成为异步长时任务，需实现轮询机制
• TTS输出为原始PCM，需自行封装为 playable 格式
• 商业使用需关注Google AI Studio/GCP的服务条款与计费策略

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/xsir0/google-gemini-media/SKILL.md
来源类型：GitHub开源技能库