Communitygithub.com

majiayu000/claude-skill-registry

Analysiere Bilder/Audio/Video mit der Gemini-API (bessere Bilderkennung als Claude). Generiere Bilder (Imagen 4) und Videos (Veo 3). Für Bildanalyse, Transkription, OCR, Design-Extraktion und multimodale KI.

Was ist claude-skill-registry?

Diese Fähigkeit befähigt KI-Agenten, Audio-, Bild-, Video- und Dokumentendateien mit Googles Gemini-Multimodal-API zu analysieren sowie Bilder (Imagen 4) und Videos (Veo 3) zu generieren. Sie ist nützlich für jede Aufgabe, die multimodales Verständnis erfordert – wie Transkription von Audiodateien, OCR und Dokumentenanalyse, Extraktion von Design-Komponenten aus Bildern oder zeitbasierte Video-Q&A. Das Tool-Set umfasst einen CLI-Orchestrator (`gemini_batch_process.py`) für die Aufgaben Transkribieren, Analysieren, Extrahieren, Bild- und Videogenerierung, einen Medienoptimierer (`media_optimizer.py`), der Eingaben automatisch komprimiert und in die von Gemini unterstützten Formate konvertiert, und einen Dokumentenkonverter (`document_converter.py`), der PDFs, Bilder und Office-Dokumente in Markdown konvertiert. Es unterstützt mehrere API-Keys für Failover bei Ratenbegrenzungen und bietet detaillierte Referenzdokumente für Musik-, Audio-, Bild-, Video- und Bildgenerierungs-Workflows. Die Fähigkeit arbeitet mit Claude Code, Codex, Cursor und anderen AI-Agenten-Plattformen zusammen und ist auf hohe Genauigkeit in deutscher Sprache optimiert.

Funktioniert mit✓Claude Code~Codex CLI~Cursor✓Gemini CLI✓OpenCode
npx skills add https://github.com/majiayu000/claude-skill-registry/tree/HEAD/skills/ai-ml/ai-multimodal-hoanghd218-landing-page-ai-kien-2

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

KI Multimodal

Verarbeiten Sie Audio, Bilder, Videos, Dokumente und generieren Sie Bilder/Videos mit der multimodalen API von Google Gemini.

Einrichtung

export GEMINI_API_KEY="Ihr-Schlüssel"  # Holen Sie sich einen unter https://aistudio.google.com/apikey
pip install google-genai python-dotenv pillow

API-Key Rotation (Optional)

Konfigurieren Sie bei hohem Nutzungsvolumen oder bei Ratenbegrenzungen mehrere API-Keys:

# Primärschlüssel (erforderlich)
export GEMINI_API_KEY="key1"

# Zusätzliche Keys für Rotation (optional)
export GEMINI_API_KEY_2="key2"
export GEMINI_API_KEY_3="key3"

Oder in Ihrer .env-Datei:

GEMINI_API_KEY=key1
GEMINI_API_KEY_2=key2
GEMINI_API_KEY_3=key3

Features:

  • Automatische Rotation bei Rate-Limit-Fehlern (429/RESOURCE_EXHAUSTED)
  • 60-Sekunden-Abkühlung pro Key nach Ratenbegrenzung
  • Protokolliert Rotationsereignisse mit --verbose-Flag
  • Abwärtskompatibel: Ein einzelner Schlüssel funktioniert weiterhin

Schnellstart

Einrichtung prüfen: python scripts/check_setup.py Medien analysieren: python scripts/gemini_batch_process.py --files <datei> --task <analyze|transcribe|extract>

  • TIPP: Wenn Sie aufgefordert werden, ein Bild zu analysieren, prüfen Sie, ob der Befehl gemini verfügbar ist, und verwenden Sie dann echo "<prompt zum analysieren des bildes>" | gemini -y -m <gemini.model>. Lesen Sie das Modell aus .opencode/.ck.json aus: gemini.model. Wenn der Befehl gemini nicht verfügbar ist, verwenden Sie den Befehl python scripts/gemini_batch_process.py --files <datei> --task analyze. Inhalt generieren: python scripts/gemini_batch_process.py --task <generate|generate-video> --prompt "beschreibung"

stdin-Unterstützung: Sie können Dateien direkt über stdin übergeben (erkennt automatisch PNG/JPG/PDF/WAV/MP3).

  • cat image.png | python scripts/gemini_batch_process.py --task analyze --prompt "Beschreibe dies"
  • python scripts/gemini_batch_process.py --files image.png --task analyze (traditionell)

Modelle

  • Bildgenerierung: imagen-4.0-generate-001 (Standard), imagen-4.0-ultra-generate-001 (Qualität), imagen-4.0-fast-generate-001 (Geschwindigkeit)
  • Videogenerierung: veo-3.1-generate-preview (8-Sekunden-Clips mit Audio)
  • Analyse: gemini-2.5-flash (empfohlen), gemini-2.5-pro (fortgeschritten)

Skripte

  • gemini_batch_process.py: CLI-Orchestrator für transcribe|analyze|extract|generate|generate-video, der API-Keys automatisch auflöst, für jede Aufgabe sinnvolle Standardmodelle auswählt, Dateien inline vs. über die File-API streamt und strukturierte Ausgaben (Text/JSON/CSV/Markdown sowie generierte Assets) für Imagen-4- und Veo-Workflows speichert.
  • media_optimizer.py: ffmpeg/Pillow-basiertes Vorbereitungswerkzeug, das Audio-, Bild- und Videoeingaben komprimiert/verkleinert/konvertiert, Zielgrößen/Bitraten erzwingt, lange Clips in stündliche Chunks aufteilt und Verzeichnisse stapelweise verarbeitet, damit Medien innerhalb der Gemini-Limits bleiben.
  • document_converter.py: Gemini-gestützter Konverter, der PDFs/Bilder/Office-Dokumente hochlädt, eine Markdown-erhaltende Prompt anwendet, mehrere Dateien stapelt, Ausgabeteien unter docs/assets automatisch benennt und CLI-Flags für Modell, Prompt, automatische Dateibenennung und ausführliche Protokollierung bereitstellt.
  • check_setup.py: Interaktiver Bereitschaftsprüfer, der das Verzeichnislayout, den zentralisierten Env-Auflöser, erforderliche Python-Abhängigkeiten und die Verfügbarkeit/Format von GEMINI_API_KEY überprüft, dann einen Live-Aufruf der Gemini-API durchführt und Reparaturanweisungen ausgibt, wenn etwas fehlschlägt.

Verwenden Sie --help für Optionen.

Referenzen

Laden Sie die detaillierte Anleitung:

ThemaDateiBeschreibung
Musikreferences/music-generation.mdLyria-RealTime-API zur Hintergrundmusikgenerierung, Style-Prompts, Echtzeitsteuerung, Integration mit Videoproduktion.
Audioreferences/audio-processing.mdAudioformate und -limits, Transkription (Zeitstempel, Sprecher, Segmente), Nicht-Sprach-Analyse, File-API vs. Inline-Eingabe, TTS-Modelle, Best Practices, Kosten- und Token-Mathematik, konkrete Rezepte für Meetings/Podcasts/Interviews.
Bilderreferences/vision-understanding.mdÜbersicht über die Bildverarbeitungsfähigkeiten, unterstützte Formate und Modelle, Bildunterschriften/Klassifikation/VQA, Erkennung und Segmentierung, OCR und Dokumentenlesen, Multi-Image-Workflows, strukturierte JSON-Ausgabe, Token-Kosten, Best Practices und häufige Anwendungsfälle (Produkt/Screenshot/Diagramm/Szene).
Bild-Genreferences/image-generation.mdÜbersicht über Imagen 4 und Gemini-Bildmodelle, Vergleich von generate_images vs. generate_content APIs, Seitenverhältnisse und Kosten, Text/Bild/beide Modalitäten, Bearbeitung und Komposition, Stil- und Qualitätskontrolle, Sicherheitseinstellungen, Best Practices, Fehlerbehebung, häufige Szenarien für Marketing/Konzeptkunst/UI.
Videoreferences/video-analysis.mdVideanalyse-Fähigkeiten und unterstützte Formate, Modell-/Kontextauswahl, lokale/Inline/YouTube-Eingaben, Clipping und FPS-Steuerung, Multi-Video-Vergleich, zeitliche Q&A und Szenenerkennung, Transkription mit visuellem Kontext, Token- und Kostenführung, Optimierungs- und Best-Practice-Muster.
Video-Genreferences/video-generation.mdVeo-Modellmatrix, Schnellstart für Text-zu-Video und Bild-zu-Video, Multi-Referenz- und Erweiterungsflüsse, Kamera- und Zeitsteuerung, Konfiguration (Auflösung, Seitenverhältnis, Audio, Sicherheit), Prompt-Design-Muster, Leistungstipps, Einschränkungen, Fehlerbehebung und Kostenschätzungen.

Limits

Formate: Audio (WAV/MP3/AAC, 9.5h), Bilder (PNG/JPEG/WEBP, 3.6k), Video (MP4/MOV, 6h), PDF (1k Seiten) Größe: 20MB inline, 2GB File API Wichtig:

  • Wenn Sie eine Transkription eines Audios erstellen, das länger als 15 Minuten ist, wird die Transkription aufgrund der Ausgabe-Token-Limits der Gemini-API häufig abgeschnitten. Um die vollständige Transkription zu erhalten, müssen Sie das Audio in kleinere Teilstücke (maximal 15 Minuten pro Teil) aufteilen und jedes Segment für eine vollständige Transkription transkribieren.
  • Wenn Sie eine Transkription eines Videos erstellen, das länger als 15 Minuten ist, extrahieren Sie mit ffmpeg das Audio aus dem Video, kürzen Sie das Audio auf 15 Minuten, transkribieren Sie alle Audio-Segmente und kombinieren Sie dann die Transkriptionen zu einer einzigen Transkription. Anforderungen an die Transkriptionsausgabe:
  • Format: Markdown
  • Metadaten: Dauer, Dateigröße, Erstellungsdatum, Beschreibung, Dateiname, behandelte Themen usw.
  • Teile: von-bis (z. B. 00:00-00:15), Audio-Chunk-Name, Transkription, Status usw.
  • Transkriptionsformat:
    [HH:MM:SS -> HH:MM:SS] Transkriptionsinhalt
    [HH:MM:SS -> HH:MM:SS] Transkriptionsinhalt
    ...
    

Ressourcen

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

majiayu000/claude-skill-registry

Builds, edit or validate Agent Skill through conversational discovery. Use when the user requests to "Create an Agent", "Optimize an Agent" or "Edit an Agent".

majiayu000/claude-skill-registry

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry

Analyzes current state and user query to answer BMad questions or recommend the next workflow or agent. Use when user says what should I do next, what do I do now, or asks a question about BMad

majiayu000/claude-skill-registry

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry

Portfolio allocation and rebalancing optimizer. Manages asset allocation across stocks/cash/bonds, performs periodic rebalancing, and ensures diversification according to market regime and risk tolerance.

majiayu000/claude-skill-registry

Create a hilarious and ultra-realistic video of an anthropomorphic animal acting like a human vlogger in a real-world setting.

majiayu000/claude-skill-registry

Speech-to-text transcription and translation via OpenAI Audio API -- models, response formats, timestamps, prompting, streaming, chunking, and diarization

majiayu000/claude-skill-registry

BlockRun works with Claude Code and Google Antigravity.

majiayu000/claude-skill-registry

This skill should be used when the user asks about libraries, frameworks, API references, or needs code examples. Activates for setup questions, code generation involving libraries, or mentions of specific frameworks like React, Vue, Next.js, Prisma, Supabase, etc.

majiayu000/claude-skill-registry

小省导购员数字人带货版即梦视频提示词生成系统,基于四大智能体协同(提示词生成师、质量管控师、知识库运维师、跨环节适配师),按照"主体+运动+场景+(镜头语言+光影+氛围)"公式输出中英文双版提示词,适配5s短视频。确保人物一致性、视觉连贯性、情绪连贯性,支持知识库智能复用和跨工具适配(Suno音乐、AI绘画),为数字人带货视频提供高质量提示词生成服务。

majiayu000/claude-skill-registry

Upload and manage files using Google Gemini File API via scripts/. Use for uploading images, audio, video, PDFs, and other files for use with Gemini models. Supports file upload, status checking, and file management. Triggers on "upload file", "file API", "upload image", "upload PDF", "upload video", "file management".

majiayu000/claude-skill-registry

CRITICAL: Use for MolyKit AI chat toolkit. Triggers on: BotClient, OpenAI, SSE streaming, AI chat, molykit, PlatformSend, spawn(), ThreadToken, cross-platform async, Chat widget, Messages, PromptInput, Avatar, LLM

majiayu000/claude-skill-registry

AI and machine learning workflow covering LLM application development, RAG implementation, agent architecture, ML pipelines, and AI-powered features.

majiayu000/claude-skill-registry

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry

Conduct domain and industry research. Use when the user says "lets create a research report on [domain or industry]

majiayu000/claude-skill-registry

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

Verwandte Skills