Google GenMedia Toolkit
Ein einheitliches Kommandozeilen- und Scripting-Toolkit, das auf den nativen multimodalen Gemini-Modellen von Google für die generative Medienerstellung und konversationelle Bearbeitung basiert.
Voraussetzungen
Alle Skripte in diesem Toolkit müssen mit uv run ausgeführt werden.
uv run scripts/<script_name>.py "PROMPT" [OPTIONEN]
Werkzeuge & Referenzindex
| Werkzeug | Skript | Referenzhandbuch | Beschreibung |
|---|---|---|---|
| Bildgenerierung | scripts/genimage.py | references/genimage.md | Nano Banana Serie (Gemini 3.1 Flash / Pro): Text-zu-Bild, 4K, Inpainting, Stilübertragung, 14 Referenzbilder, Google Suche Faktentreue und mehrrundige Bearbeitung. |
| Videogenerierung | scripts/genvideo.py | references/genvideo.md | Gemini Omni Flash (gemini-omni-1.1-flash): Text/Bild-zu-Video, Bildinterpolation, mehrrundige Videobearbeitung und zeitliche Verlängerung. |
| Musikgenerierung | scripts/genmusic.py | references/genmusic.md | Google Lyria 3 (Clip & Pro): 30-Sekunden-Clips, vollständige strukturierte Songs mit Text und Bild-zu-Musik-Vertonung. |
| Sprachsynthese | scripts/text2speech.py | references/text2speech.md | Gemini TTS: 30 vorgefertigte ausdrucksstarke Stimmen, Erzählung mit einem Sprecher und skriptgesteuerter Dialog mit mehreren Sprechern. |
1. Bildgenerierung & -bearbeitung: genimage.py
Bilder mit der Nano Banana Modellreihe generieren und bearbeiten (standardmäßig gemini-3.1-flash-image, gemini-3-pro-image, gemini-3.1-flash-lite-image). Unterstützt bis zu 4K-Auflösung bei 14 Seitenverhältnissen, Mehrbildkomposition (bis zu 14 Referenzbilder), Google Suche Faktentreue und mehrrundige konversationelle Bearbeitung.
Kurzbeispiele
# Text-zu-Bild (2K-Auflösung, 16:9 Breitbild)
uv run scripts/genimage.py "Eine futuristische Cyberpunk-Stadt mit Neonlichtern und fliegenden Autos im Regen, filmische Beleuchtung" -a 16:9 -s 2K -o city.jpg
# Objekt-Inpainting / Element-Modifikation
uv run scripts/genimage.py "Füge dem bereitgestellten Bild meiner Katze bitte eine kleine, gestrickte Zauberermütze auf den Kopf. Lass es so aussehen, als säße sie bequem." -i cat.png -o cat_with_hat.png
# Mehrrundige konversationelle Bearbeitung
uv run scripts/genimage.py "Aktualisieren Sie diese Infografik auf Spanisch. Ändern Sie keine anderen Elemente." --previous-id "v1_interaction_id..." -o infographic_spanish.png
👉 Ausführliche Prompt-Engineering-Vorlagen (Fotorealismus, Aufkleber, Typografie, Produkt-Mockups, Stilübertragung) und Auflösungstabellen finden Sie in references/genimage.md.
2. Videogenerierung & -bearbeitung: genvideo.py
Kino-Videos mit integriertem Sounddesign mit Gemini Omni Flash (gemini-omni-1.1-flash) erstellen, bearbeiten und erweitern. Unterstützt Text-zu-Video, Bild-zu-Video, Interpolation von erstem und letztem Bild, zustandsbehaftete mehrrundige konversationelle Bearbeitung und Videoclip-Erweiterung.
Kurzbeispiele
# Text-zu-Video (1080p durchgehende ununterbrochene Aufnahme mit Sounddesign)
uv run scripts/genvideo.py "Durchgehende sanfte Drohnenaufnahme über nebligen Kiefernwäldern im Sonnenaufgang. Sounddesign: sanfte Windböe, entfernte Vogelgezwitscher. Kein Dialog." -a 16:9 -r 1080p -o sunrise.mp4
# Interpolation von erstem und letztem Bild
uv run scripts/genvideo.py "Ein sanfter filmischer Übergang von einem üppig grünen Sommerwald bei Sonnenaufgang zu einem verschneiten Wald unter einem sternenklaren Nachthimmel." -i summer.jpg -i winter.jpg -o season_transition.mp4
# Zustandsbehaftete Videobearbeitung (mehrrundig)
uv run scripts/genvideo.py "Mach die Violine unsichtbar. Behalte alles andere bei." --previous-id "v1_video_id..." -o invisible_violin.mp4
# Videoerweiterung (hängt 3-10s an das Ende des Clips an)
uv run scripts/genvideo.py "Setze die Szene fort: Die Kamera schwenkt über die Berge, während die Dämmerung einzieht." -v clip.mp4 --task extend -o extended_clip.mp4
👉 Kamerabewegungstechniken, Audiogestaltungsstrategien und URI-Bereitstellungsoptionen für große/4K-Videos finden Sie in references/genvideo.md.
3. Musik- & Songgenerierung: genmusic.py
Hochwertige Musikstücke und Soundtracks mit Google Lyria 3 synthetisieren (lyria-3-clip-preview für 30s Clips/Loops, lyria-3-pro-preview für vollständige mehrteilige Songs).
Kurzbeispiele
# Instrumentaler Soundtrack-Theme
uv run scripts/genmusic.py "Aufmunternder, filmischer Orchester-Soundtrack mit energiegeladenen Streichern und inspirierendem Blechbläser-Crescendo, 120 BPM, nur instrumental" -o epic_theme.mp3
# Vollständiger Song mit strukturiertem Text & Gesang
uv run scripts/genmusic.py "Melodischer Synthwave-Track mit nostalgischen 80er-Analog-Synth-Leads, punchy Drums und Vocoder-Gesang, der von Neon-Träumen singt" -m lyria-3-pro-preview -l lyrics.txt -o synthwave_song.mp3
# Bild-zu-Musik (Visueller Stimmungs-Soundtrack)
uv run scripts/genmusic.py "Komponiere einen Ambient-Soundtrack, der die mystische und ruhige Atmosphäre dieser Fantasielandschaft einfängt." -i landscape.jpg -o ambient_bgm.mp3
👉 Ausführliche 5-dimensionale Prompt-Engineering (Genre, Stimmung, Instrumentierung, Tempo, Gesang) und strukturierte Text-Tags finden Sie in references/genmusic.md.
4. Text-zu-Sprache-Synthese: text2speech.py
Natürliche, ausdrucksstarke Sprach-Audio mit Gemini TTS (gemini-3.1-flash-tts-preview) synthetisieren. Unterstützt 30 verschiedene vorgefertigte Stimmen, eingebettete emotionale Hinweise ([seufzt], [lacht], [flüstert], [aufgeregt]), Erzählung mit einem Sprecher und skriptgesteuerten Dialog mit mehreren Sprechern.
Kurzbeispiele
# Erzählung mit einem Sprecher mit Stimmhinweisen
uv run scripts/text2speech.py "[seufzt] Willkommen zurück... [aufgeregt] Lasst uns heute etwas Außergewöhnliches erschaffen!" -v Puck -o welcome.wav
# Artikel aus Datei vorlesen
uv run scripts/text2speech.py -f article.txt -v Charon -o article_narration.wav
# Skriptgesteuerter Dialog mit mehreren Sprechern
uv run scripts/text2speech.py "Alice: [aufgeregt] Guten Morgen Bob! Hast du dir das neue Gemini-Bildmodell schon angesehen?
Bob: [lacht] Absolut Alice! Die Textdarstellung und der Denkmodus sind umwerfend." -s "Alice:Aoede" -s "Bob:Fenrir" -o podcast_dialogue.wav
👉 Das vollständige Verzeichnis aller 30 vorgefertigten Stimmen, das Verzeichnis emotionaler Tags ([xxx]) und die Formatierungsrichtlinien für Dialogskripte finden Sie in references/text2speech.md.