Communitygithub.com

majiayu000/claude-skill-registry-data

Bilder/Audio/Videos mit der Gemini-API analysieren (besser als Claude im visuellen Bereich). Bilder (Imagen 4), Videos (Veo 3) generieren. Ideal für Bildanalyse, Transkription, OCR, Design Extraktion und multimodale KI.

Was ist claude-skill-registry-data?

Diese Fähigkeit (Skill) integriert die multimodalen Modelle von Google Gemini in den Entwicklungs-Workflow und erweitert die Fähigkeiten von Claude um leistungsstarke Vision-, Audio- und Video-Analyse sowie Bild- und Videogenerierung. Entwickler können damit Bilder, Audio, Videos und Dokumente analysieren, transkribieren und extrahieren, sowie mit Imagen 4 Bilder und mit Veo 3 Videos generieren. Der Skill bietet eine Reihe von Python-Skripten, die als CLI-Orchestratoren fungieren, um API-Schlüssel automatisch aufzulösen, optimale Standardmodelle pro Aufgabe auszuwählen und strukturierte Ergebnisse (Text, JSON, CSV, Markdown, generierte Assets) zu speichern. Er unterstützt sowohl herkömmliche Dateipfade als auch Stdin-Pipelines für direkte Eingaben. Eine optionale API-Schlüssel-Rotation sorgt für bessere Auslastung und vermeidet Ratenbegrenzungen. Die umfangreiche Referenzdokumentation deckt Themen wie Musikgenerierung, Audioverarbeitung, Bildanalyse, Bildgenerierung, Videoanalyse und Videogenerierung mit detaillierten Rezepten, Kostenabschätzungen und Best Practices ab.

Funktioniert mit✓Claude Code~Codex CLI~Cursor✓Gemini CLI✓OpenCode
npx skills add https://github.com/majiayu000/claude-skill-registry-data/tree/HEAD/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 und Dokumente und generieren Sie Bilder und 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-Schlüssel-Rotation (Optional)

Für hohe Nutzung oder bei Ratenbegrenzungen können mehrere API-Schlüssel konfiguriert werden:

# Primärer Schlüssel (erforderlich)
export GEMINI_API_KEY="schluessel1"

# Zusätzliche Schlüssel für Rotation (optional)
export GEMINI_API_KEY_2="schluessel2"
export GEMINI_API_KEY_3="schluessel3"

Oder in Ihrer .env-Datei:

GEMINI_API_KEY=schluessel1
GEMINI_API_KEY_2=schluessel2
GEMINI_API_KEY_3=schluessel3

Funktionen:

  • Automatische Rotation bei Ratenbegrenzungsfehlern (429/RESOURCE_EXHAUSTED)
  • 60-Sekunden-Abklingzeit pro Schlüssel nach Erreichen der Ratenbegrenzung
  • Protokolliert Rotationsereignisse mit --verbose-Flag
  • Abwärtskompatibel: Ein einzelner Schlüssel funktioniert weiterhin

Schnellstart

Einrichtung überprüfen: 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-zur-bildanalyse>" | gemini -y -m <gemini.model> (Modell aus .opencode/.ck.json lesen: gemini.model). Wenn der Befehl gemini nicht verfügbar ist, verwenden Sie 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 weiterleiten (erkennt automatisch PNG/JPG/PDF/WAV/MP3).

  • cat bild.png | python scripts/gemini_batch_process.py --task analyze --prompt "Beschreibe dies"
  • python scripts/gemini_batch_process.py --files bild.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 automatisch API-Schlüssel auflöst, sinnvolle Standardmodelle pro Aufgabe auswählt, Dateien inline vs. über die File-API streamt und strukturierte Ausgaben (Text/JSON/CSV/Markdown plus generierte Assets) für Imagen 4- und Veo-Workflows speichert.
  • media_optimizer.py: Ein auf ffmpeg/Pillow basierendes Vorbereitungstool, das Audio-, Bild- und Videoeingaben komprimiert/skaliert/konvertiert, Zielgrößen/Bitraten erzwingt, lange Clips in Stunden-Chunks aufteilt und Verzeichnisse stapelverarbeitet, sodass Medien innerhalb der Gemini-Limits bleiben.
  • document_converter.py: Ein Gemini-gestützter Konverter, der PDFs/Bilder/Office-Dokumente hochlädt, einen Markdown-erhaltenden Prompt anwendet, mehrere Dateien stapelt, Ausgaben automatisch unter docs/assets benennt und CLI-Flags für Modell, Prompt, automatische Dateibenennung und ausführliche Protokollierung bereitstellt.
  • check_setup.py: Interaktiver Bereitschaftsprüfer, der die Verzeichnisstruktur, den zentralisierten Env-Resolver, erforderliche Python-Abhängigkeiten und die Verfügbarkeit/das Format von GEMINI_API_KEY überprüft, dann einen Live-Gemini-API-Aufruf durchführt und bei Fehlern Korrekturanweisungen ausgibt.

Verwenden Sie --help für Optionen.

Referenzen

Laden Sie für detaillierte Anleitungen:

ThemaDateiBeschreibung
Musikreferences/music-generation.mdLyria RealTime API zur Hintergrundmusikgenerierung, Stil-Prompts, Echtzeitsteuerung, Integration in die Videoproduktion.
Audioreferences/audio-processing.mdAudioformate und -grenzen, Transkription (Zeitstempel, Sprecher, Segmente), Nicht-Sprach-Analyse, File-API vs. Inline-Eingabe, TTS-Modelle, Best Practices, Kosten- und Tokenmathematik sowie konkrete Rezepte für Meetings/Podcasts/Interviews.
Bilderreferences/vision-understanding.mdÜberblick über Vision-Fähigkeiten, unterstützte Formate und Modelle, Beschriftung/Klassifizierung/VQA, Erkennung und Segmentierung, OCR und Dokumentenlesen, Multi-Image-Workflows, strukturierte JSON-Ausgabe, Token-Kosten, Best Practices und häufige Anwendungsfälle für Produkte/Screenshots/Diagramme/Szenen.
Bildgenreferences/image-generation.mdÜberblick über Imagen 4 und Gemini-Bildmodelle, generate_images- vs. generate_content-APIs, Seitenverhältnisse und Kosten, Text/Bild/Beide Modalitäten, Bearbeitung und Komposition, Stil- und Qualitätskontrolle, Sicherheitseinstellungen, Best Practices, Fehlerbehebung und häufige Szenarien für Marketing/Konzeptkunst/UI.
Videoreferences/video-analysis.mdVideofunktionen 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 Kostenberatung sowie Optimierungs-/Best-Practice-Muster.
Video Genreferences/video-generation.mdVeo-Modellmatrix, Text-zu-Video- und Bild-zu-Video-Schnellstart, Multi-Referenz- und Erweiterungsabläufe, 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, 3.600), Video (MP4/MOV, 6h), PDF (1.000 Seiten) Größe: 20 MB inline, 2 GB File API Wichtig:

  • Wenn Sie ein Transkript eines Audios generieren möchten, das länger als 15 Minuten ist, wird das Transkript aufgrund der Ausgabe-Token-Limits in der Gemini-API-Antwort oft abgeschnitten. Um das vollständige Transkript zu erhalten, müssen Sie das Audio in kleinere Chunks (maximal 15 Minuten pro Chunk) aufteilen und jedes Segment transkribieren, um ein vollständiges Transkript zu erhalten.
  • Wenn Sie ein Transkript eines Videos generieren möchten, das länger als 15 Minuten ist, extrahieren Sie das Audio mit ffmpeg aus dem Video, kürzen Sie das Audio auf 15 Minuten, transkribieren Sie alle Audio-Segmente und fügen Sie dann die Transkripte zu einem einzigen Transkript zusammen. Transkriptionsausgabe-Anforderungen:
  • Format: Markdown
  • Metadaten: Dauer, Dateigröße, Generierungsdatum, Beschreibung, Dateiname, behandelte Themen usw.
  • Teile: von-bis (z. B. 00:00-00:15), Audio-Chunk-Name, Transkript, Status usw.
  • Transkriptformat:
    [HH:MM:SS -> HH:MM:SS] Transkriptinhalt
    [HH:MM:SS -> HH:MM:SS] Transkriptinhalt
    ...
    

Ressourcen

Individual skills in this repo

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

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

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-data

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

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

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

majiayu000/claude-skill-registry-data

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

majiayu000/claude-skill-registry-data

Conduct market research on competition and customers. Use when the user says "create a market research report about [business idea]".

majiayu000/claude-skill-registry-data

Conduct technical research on technologies and architecture. Use when the user says "create a technical research report on [topic]".

majiayu000/claude-skill-registry-data

Understand an existing codebase through systematic exploration

majiayu000/claude-skill-registry-data

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".

Verwandte Skills