用途：通过 Google Gemini 多模态 API 统一处理音频、图像、视频、PDF 文档，并支持文生图与图像编辑。
主要能力：音频转写（带时间戳，最长约 9.5 小时）、摘要、说话人识别、TTS；图像描述、目标检测（2.0+）、像素级分割（2.5+）、视觉问答、多图比较（最多 3600 张）、OCR；视频场景检测、时序问答、带视觉描述的转写、支持 YouTube 公开链接、长视频（最长 6 小时）；PDF 原生视觉处理（最多 1000 页）、表格表单提取、图表分析、JSON 结构化输出；文生图、图像编辑、多图合成（最多 3 张）、多种宽高比。
使用方式：需配置 GEMINI_API_KEY（支持 Google AI Studio 与 Vertex AI），安装 pip install google-genai python-dotenv pillow。核心脚本为 gemini_batch_process.py（批处理）、media_optimizer.py（媒体压缩优化）、document_converter.py（文档转 PDF）。示例：python scripts/gemini_batch_process.py --files audio.mp3 --task transcribe --model gemini-2.5-flash。
模型与限制：推荐 gemini-2.5-flash；分割需 2.5+，目标检测需 2.0+，图像生成需 flash-image 模型。内联请求 <20MB，File API 单文件 2GB、项目配额 20GB，文件 48 小时自动删除。免费层约 10-15 RPM、1500 RPD，YouTube 免费层每天 8 小时。具体价格与速率以官方为准。