用途：这是一个基于 Google Gemini 多模态 API 的技能，用于处理音频、图像、视频、文档，以及生成图像，提供统一的多媒体理解与生成接口。
主要能力：音频支持带时间戳转写（最长 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；图像支持描述、目标检测与边界框（2.0+）、像素级分割（2.5+）、视觉问答、多图比较（最多 3600 张）、OCR；视频支持场景检测与摘要、带时间理解的问答、视觉描述转写、YouTube 链接、长视频处理（最长 6 小时）、逐帧分析；文档支持原生 PDF 视觉处理（最多 1000 页）、表格表单提取、图表分析、多页理解、结构化 JSON 输出、PDF 转 HTML/JSON；图像生成支持文生图、编辑、多图合成（最多 3 张）、迭代优化与多种宽高比。
使用方式：需配置 GEMINI_API_KEY，脚本按进程环境、项目根 .env、.claude/.env、.claude/skills/.env、.claude/skills/ai-multimodal/.env 顺序查找；也可用 Vertex AI，设置 export GEMINI_USE_VERTEX=true、VERTEX_PROJECT_ID 等。安装 SDK：pip install google-genai python-dotenv pillow。脚本包括 gemini_batch_process.py、media_optimizer.py、document_converter.py，示例命令如 python scripts/gemini_batch_process.py --files audio.mp3 --task transcribe --model gemini-2.5-flash。
适用场景与限制：适合多模态批量分析、转写、提取与图像生成。需注意免费层限速 10-15 RPM、1500 RPD，YouTube 免费层 8 小时/天且仅公开视频，文件 2GB/个、项目 20GB、48 小时自动删除，Inline 请求小于 20MB，分割需 2.5+，目标检测需 2.0+。