用途：统一调用 Google Gemini 多模态 API，完成音频、图像、视频、PDF 文档的理解与生成，并提供批处理脚本。
主要能力：音频支持带时间戳转录（最长约9.5小时）、摘要、说话人识别、音乐与环境音分析、可控制音色的文本转语音；图像支持描述、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）与 OCR；视频支持场景检测、带时序的问答、带视觉描述的转录、YouTube URL、最长6小时处理与帧级分析；文档支持 PDF 原生视觉处理（最多1000页）、表格表单与图表抽取、JSON schema 结构化输出以及 PDF 转 HTML/JSON；还支持文生图、图像编辑与多图合成（最多3张）。
使用方式：需在环境变量或各级 .env 中配置 GEMINI_API_KEY，支持 Vertex AI（GEMINI_USE_VERTEX、VERTEX_PROJECT_ID、VERTEX_LOCATION）。安装：pip install google-genai python-dotenv pillow。常用脚本如 python scripts/gemini_batch_process.py --files audio.mp3 --task transcribe --model gemini-2.5-flash，也可用 --task analyze、--task extract、--task generate 与 --aspect-ratio；另有 media_optimizer.py 与 document_converter.py，可加 --help 查看用法。
适用场景：批量音视频转录与摘要、图像/视频问答与检测、PDF 结构化抽取、图像生成与编辑。
限制：分割需2.5+、目标检测需2.0+、图像生成需 flash-image 模型；内联上传小于20MB，File API 单文件2GB、项目配额20GB、48小时自动删除；格式与时长受限，YouTube 仅公开视频。资料含具体定价与速率限制数值，实际以官方为准。