用途：ai-multimodal 是一个基于 Google Gemini 多模态 API 的 Agent 技能，用统一接口处理音频、图像、视频、文档并生成图像，覆盖内容理解与生成。
主要能力：音频方面支持带时间戳转写（最长约 9.5 小时）、摘要、说话人识别、音乐与环境音分析、可控语音的文本转语音；图像方面支持描述、对象检测（带边界框，需 2.0+ 模型）、像素级分割（需 2.5+）、视觉问答、多图比较（最多 3,600 张）、OCR；视频方面支持场景检测与摘要、带时序的问答、带视觉描述的转写、YouTube 公开链接、长视频（低分辨率最长 6 小时/默认 2 小时）、逐帧分析；文档方面支持 PDF 原生视觉处理（最多 1,000 页）、表格与表单提取、图表分析、多页理解、JSON 结构化输出、PDF 转 HTML/JSON；生成方面支持文生图、图像编辑、最多 3 图合成、迭代优化与多种宽高比。
使用方式：先准备 GEMINI_API_KEY（或 Vertex AI 变量），技能按进程环境、项目根 .env、.claude/.env、.claude/skills/.env、技能目录 .env 的顺序查找。安装依赖：pip install google-genai python-dotenv pillow。核心脚本为 gemini_batch_process.py，支持 --files、--task（transcribe/analyze/extract/generate）、--prompt、--output、--model、--format、--aspect-ratio 等参数，示例：python scripts/gemini_batch_process.py --files audio.mp3 --task transcribe --model gemini-2.5-flash。另有 media_optimizer.py（压缩、切分、转码）与 document_converter.py（DOCX/XLSX/PPTX 转 PDF、按页提取）。
适用场景：批量音视频转写与摘要、长视频时序问答、PDF 表格与结构化数据抽取、图像检测分割与 OCR、文生图与图像编辑。
限制：PDF 视觉处理仅限 PDF，TXT/HTML/Markdown 仅文本；分割需 2.5+、对象检测需 2.0+；上传有大小限制（内联 <20MB，File API 单文件 2GB、项目 20GB，48 小时自动删除）；免费层有速率限制，YouTube 仅公开视频；API 密钥与定价以官方为准。