用途：把 Gemini API 的六类多模态媒体能力整合为可复用的工作流与实现模板，适合在 Node.js/REST 项目中统一调用图像、视频、语音与音频理解功能。
主要能力：图像生成（Nano Banana，文生图、图像编辑、多轮迭代）；图像理解（描述、问答、分类、对比、多图提示，支持内联与 Files API）；视频生成（Veo 3.1，文生视频、宽高比与分辨率控制、参考图引导、首尾帧、视频延长、原生音频）；视频理解（上传/内联/YouTube URL，摘要、问答、带时间戳证据）；语音生成（Gemini 原生 TTS，单人与多说话人，可控制风格、口音、语速、语气）；音频理解（上传/内联，描述、转写、时间范围转写、token 计数）。
使用方式：需 Node.js 18+，安装依赖 npm install @google/genai；REST 示例用 curl，解析图像 Base64 可选装 jq。API 密钥放在 GEMINI_API_KEY，REST 请求使用 x-goog-api-key: $GEMINI_API_KEY。文件输入分内联（Base64，总请求约 20MB 上限）与 Files API（先上传再引用，适合大文件与复用）。图像通常以内联 Base64 返回，语音返回 PCM 字节（常见 24kHz、16 位、单声道），视频为异步长任务需轮询并下载。
适用场景：需要端到端多模态媒体流水线的开发项目，例如生成产品图并自检、生成短视频后做分镜与旁白、会议音频转写后重配音等组合流程。
限制：仅提供 Node.js/REST 示例，其他语言需自行映射请求结构与 I/O 规格；模型名称、版本、限额与配额可能变化，使用前需核对官方文档（资料标注更新日期 2026-01-22）；视频生成延迟从数秒到数分钟，服务器仅短期保留生成视频需及时下载，输出含 SynthID 水印；多说话人 TTS 最多 2 人；音频每次提示总时长上限 9.5 小时、约 32 token/秒，超过 20MB 必须用 Files API。其他细节资料暂未提供。