用途：调用 Google Gemini 多模态 API，分析音频、图像、视频、文档，并生成图像与视频。
主要能力：音频转写（含时间戳、说话人、分段）与非语音分析；图像理解（描述、分类、VQA、检测分割、OCR、多图工作流、结构化 JSON 输出）；视频分析（本地/内联/YouTube 输入、裁剪与 FPS 控制、多视频对比、时序问答、场景检测）；图像生成（Imagen 4 标准/质量/速度型号）；视频生成（veo-3.1-generate-preview，8 秒带音频片段）；文档转 Markdown。
使用方式：设置 export GEMINI_API_KEY="your-key"（从 https://aistudio.google.com/apikey 获取），安装 pip install google-genai python-dotenv pillow。用 python scripts/check_setup.py 验证环境。分析媒体：python scripts/gemini_batch_process.py --files <file> --task <analyze|transcribe|extract>；生成内容：python scripts/gemini_batch_process.py --task <generate|generate-video> --prompt "description"。支持 stdin 管道，如 cat image.png | python scripts/gemini_batch_process.py --task analyze --prompt "Describe this"。若 gemini 命令可用，可用 "<prompt>" | gemini -y -m gemini-2.5-flash。辅助脚本：media_optimizer.py 压缩/缩放/转换并分片；document_converter.py 转换 PDF/图像/Office 文档；各脚本支持 --help。
模型：分析用 gemini-2.5-flash（推荐）或 gemini-2.5-pro；图像生成用 imagen-4.0-generate-001、imagen-4.0-ultra-generate-001、imagen-4.0-fast-generate-001；视频生成用 veo-3.1-generate-preview。
限制：格式支持音频 WAV/MP3/AAC（9.5 小时）、图像 PNG/JPEG/WEBP（3.6k）、视频 MP4/MOV（6 小时）、PDF（1k 页）；大小限制内联 20MB、File API 2GB。详细参考见 references/ 下音频、图像、图像生成、视频分析、视频生成文档。费用与定价资料未在正文中给出具体数值。