用途：处理音频、图像、视频、文档等多模态内容，并调用 Google Gemini 多模态 API 生成图像和视频。
主要能力：音频转写（含时间戳、说话人、分段）、图像理解与 OCR、文档转 Markdown、文本/图像/视频分析，以及通过 Imagen 4 生成图像、Veo 3.1 生成带音频的 8 秒视频。
使用方式：先设置 export GEMINI_API_KEY="your-key"，安装 pip install google-genai python-dotenv pillow。验证环境：python scripts/check_setup.py。分析媒体：python scripts/gemini_batch_process.py --files <file> --task <analyze|transcribe|extract>。生成内容：python scripts/gemini_batch_process.py --task <generate|generate-video> --prompt "description"。支持通过 stdin 管道传入 PNG/JPG/PDF/WAV/MP3。
脚本：仅以下四个。gemini_batch_process.py 为主 CLI；media_optimizer.py 用 ffmpeg/Pillow 压缩、缩放、转换和分片媒体；document_converter.py 将 PDF、图片、Office 文档转为 Markdown；check_setup.py 检查目录、依赖与密钥并执行一次实际调用。
模型：图像生成用 imagen-4.0-generate-001（标准）、imagen-4.0-ultra-generate-001（质量）、imagen-4.0-fast-generate-001（速度）；视频生成用 veo-3.1-generate-preview；分析推荐 gemini-2.5-flash，进阶用 gemini-2.5-pro。
限制：音频最长 9.5 小时、图像 3.6k、视频 6 小时、PDF 1k 页；内联 20MB，File API 2GB。音频或视频超过 15 分钟时，因输出 token 限制，转写常被截断，需按最多 15 分钟分块后再合并；视频可先用 ffmpeg 提取音频再分段转写。
费用、完整定价与官方文档未在本资料中提供。