用途
本技能将 Gemini API 的六项多模态媒体能力整合为可复用的工作流与实现模板，用于端到端的多模态媒体处理。技能以官方 Google Gen AI SDK（Node.js/REST）为主线，目前仅提供 Node.js/REST 示例；若项目已封装其他语言或框架，可将本技能的请求结构、模型选择与输入输出规范映射到封装层。
主要能力
- 图像生成（Nano Banana）：文生图、图像编辑、多轮迭代。
- 图像理解：描述、问答、分类、对比、多图提示，支持内联与 Files API。
- 视频生成（Veo 3.1）：文生视频、宽高比与分辨率控制、参考图引导、首尾帧、视频延长、原生音频。
- 视频理解：上传/内联/YouTube URL，摘要、问答、带时间戳证据。
- 语音生成（Gemini 原生 TTS）：单说话人与多说话人，可控制风格、口音、语速、语气。
- 音频理解：上传/内联，描述、转录、时间范围转录、token 计数。
使用方式
前置条件：Node.js 18+；安装 SDK：npm install @google/genai；REST 示例仅需 curl，解析图像 Base64 可选装 jq。认证：将 API 密钥放入 GEMINI_API_KEY，REST 请求使用 x-goog-api-key: $GEMINI_API_KEY。
文件输入有两种模式：内联（嵌入字节/Base64，适合小文件，请求总大小通常约 20MB 上限）与 Files API（先上传再引用，适合大文件、复用或多轮对话）。二进制媒体输出处理：图像通常以 inline_data（Base64）返回，可解码保存为 PNG/JPG；语音通常返回 PCM 字节（Base64），保存为 .pcm 或封装为 .wav（常见 24kHz、16 位、单声道）；视频为长时异步任务，需轮询操作并下载文件。
模型选择：图像生成可用 gemini-2.5-flash-image（速度/吞吐优化）与 gemini-3-pro-image-preview（指令遵循与高保真文本渲染更强）；图像/视频/音频理解文档使用 gemini-3-flash-preview；视频生成示例模型为 veo-3.1-generate-preview（生成 8 秒视频，可原生生成音频）；语音生成示例模型为 gemini-2.5-flash-preview-tts（原生 TTS，目前为预览版）。模型名称、版本、限制与配额可能变化，使用前请核对官方文档。
适用场景
- 图像生成与编辑：文生图、基于图像增删改元素、风格与调色调整、多轮迭代编辑。
- 图像理解：识别、描述、问答、对比、信息提取、多图提示。
- 视频生成：生成 8 秒视频（可选原生音频），支持 16:9/9:16 宽高比、720p/1080p/4k 分辨率、视频延长（通常限 720p）、首尾帧控制、最多 3 张参考图。
- 视频理解：摘要、问答、带时间戳的片段提取，支持 Files API 上传、内联数据与公开 YouTube URL。
- 语音生成：可控旁白、播客/有声书风格等；多说话人最多 2 人，说话人名称需与提示中的对话标签一致；voice_name 支持 30 种预置音色，模型可自动检测输入语言并支持 24 种语言。
- 音频理解：音频内容描述（含非语音如鸟鸣、警报）、转录、特定时间范围转录、token 计数。
限制
- 内联模式请求总大小（文本提示 + 系统指令 + 嵌入字节）通常约 20MB 上限，超出需使用 Files API。
- 视频生成延迟从数秒到数分钟不等，需实现超时与重试；生成视频在服务器仅保留有限时间，需及时下载；输出包含 SynthID 水印。
- 音频支持 WAV/MP3/AIFF/AAC/OGG/FLAC 等常见格式；音频 token 化约 32 tokens/秒（约每分钟 1920 tokens，数值可能变化）；单次提示音频总时长上限 9.5 小时；多声道音频会被下混；音频会被重采样（具体参数见文档）。
- 多说话人 TTS 最多 2 人。
- 模型名称、版本、限制与配额可能随时间变化，使用前需核对官方文档。
端到端示例
- 示例 A：用 Nano Banana 生成产品图（要求留白、光照一致），再用图像理解自检（文本清晰度、品牌拼写、不安全元素），不满意则送入文+图编辑迭代。
- 示例 B：用 Veo 生成 8 秒镜头（含对话或音效），下载保存（注意保留窗口），上传至视频理解生成分镜 + 时间戳 + 旁白文案（再送入 TTS）。
- 示例 C：上传会议音频并全文转录，转录或总结特定时间范围，再用 TTS 生成重配音。