Communitygithub.com

majiayu000/claude-skill-registry

Analiza imágenes/audio/video con la API de Gemini (mejor visión que Claude). Genera imágenes (Imagen 4), videos (Veo 3). Útil para análisis visual, transcripción, OCR, extracción de diseño e IA multimodal.

¿Qué es claude-skill-registry?

Esta habilidad permite a los agentes de IA (como Claude Code, Cursor, Codex y otros) interactuar con los modelos multimodales de Google Gemini. Proporciona capacidades avanzadas de análisis visual, transcripción de audio y video, reconocimiento óptico de caracteres (OCR) y extracción de diseño, superando las limitaciones de otros modelos en visión. Además, permite la generación de imágenes de alta calidad con Imagen 4 y videos con Veo 3, todo desde línea de comandos. Se integra fácilmente con herramientas como `gemini` y scripts Python especializados, ofreciendo gestión de claves API, optimización de medios y conversión de documentos. Es útil para desarrolladores que necesitan procesamiento multimodal eficiente y generación de contenido creativo.

Compatible con✓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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

IA Multimodal

Procesa audio, imágenes, videos, documentos y genera imágenes/videos utilizando la API multimodal de Google Gemini.

Configuración

export GEMINI_API_KEY="tu-clave"  # Obténla en https://aistudio.google.com/apikey
pip install google-genai python-dotenv pillow

Rotación de Claves API (Opcional)

Para uso de alto volumen o cuando se alcanzan los límites de tasa, configura múltiples claves API:

# Clave principal (obligatoria)
export GEMINI_API_KEY="clave1"

# Claves adicionales para rotación (opcional)
export GEMINI_API_KEY_2="clave2"
export GEMINI_API_KEY_3="clave3"

O en tu archivo .env:

GEMINI_API_KEY=clave1
GEMINI_API_KEY_2=clave2
GEMINI_API_KEY_3=clave3

Características:

  • Rotación automática en errores de límite de tasa (429/RESOURCE_EXHAUSTED)
  • Enfriamiento de 60 segundos por clave después de un límite de tasa
  • Registra eventos de rotación con la bandera --verbose
  • Compatible hacia atrás: una sola clave sigue funcionando

Inicio Rápido

Verificar configuración: python scripts/check_setup.py Analizar medios: python scripts/gemini_batch_process.py --files <archivo> --task <analyze|transcribe|extract>

  • CONSEJO: Cuando te pidan analizar una imagen, verifica si el comando gemini está disponible, luego usa echo "<prompt para analizar la imagen>" | gemini -y -m <gemini.model> (lee el modelo de .opencode/.ck.json: gemini.model). Si el comando gemini no está disponible, usa python scripts/gemini_batch_process.py --files <archivo> --task analyze. Generar contenido: python scripts/gemini_batch_process.py --task <generate|generate-video> --prompt "descripción"

Soporte de stdin: Puedes canalizar archivos directamente desde stdin (detecta automáticamente PNG/JPG/PDF/WAV/MP3).

  • cat imagen.png | python scripts/gemini_batch_process.py --task analyze --prompt "Describe esto"
  • python scripts/gemini_batch_process.py --files imagen.png --task analyze (tradicional)

Modelos

  • Generación de imágenes: imagen-4.0-generate-001 (estándar), imagen-4.0-ultra-generate-001 (calidad), imagen-4.0-fast-generate-001 (velocidad)
  • Generación de videos: veo-3.1-generate-preview (clips de 8s con audio)
  • Análisis: gemini-2.5-flash (recomendado), gemini-2.5-pro (avanzado)

Scripts

  • gemini_batch_process.py: Orquestador CLI para transcribe|analyze|extract|generate|generate-video que resuelve automáticamente las claves API, elige modelos predeterminados sensatos por tarea, transmite archivos en línea vs API de archivos, y guarda salidas estructuradas (texto/JSON/CSV/markdown más activos generados) para flujos de trabajo Imagen 4 + Veo.
  • media_optimizer.py: Herramienta de verificación previa basada en ffmpeg/Pillow que comprime/redimensiona/convierte entradas de audio, imagen y video, aplica tamaños/tasas de bits objetivo, divide clips largos en fragmentos de una hora, y procesa directorios por lote para que los medios se mantengan dentro de los límites de Gemini.
  • document_converter.py: Convertidor impulsado por Gemini que sube PDFs/imágenes/documentos de Office, aplica un prompt que preserva el markdown, procesa múltiples archivos por lotes, nombra las salidas automáticamente bajo docs/assets, y expone banderas CLI para modelo, prompt, nombrado automático de archivos y registro detallado.
  • check_setup.py: Verificador interactivo de preparación que comprueba el diseño del directorio, el resolvedor centralizado de variables de entorno, las dependencias de Python requeridas y la disponibilidad/formato de GEMINI_API_KEY, luego realiza una llamada en vivo a la API de Gemini e imprime instrucciones de corrección si algo falla.

Usa --help para ver las opciones.

Referencias

Carga para obtener una guía detallada:

TemaArchivoDescripción
Músicareferences/music-generation.mdAPI Lyria RealTime para generación de música de fondo, prompts de estilo, control en tiempo real, integración con producción de video.
Audioreferences/audio-processing.mdFormatos y límites de audio, transcripción (marcas de tiempo, hablantes, segmentos), análisis sin voz, API de archivos vs entrada en línea, modelos TTS, mejores prácticas, costos y matemáticas de tokens, y recetas concretas para reuniones/podcasts/entrevistas.
Imágenesreferences/vision-understanding.mdResumen de capacidades de visión, formatos y modelos compatibles, subtitulado/clasificación/VQA, detección y segmentación, OCR y lectura de documentos, flujos de trabajo con múltiples imágenes, salida JSON estructurada, costos de tokens, mejores prácticas y casos de uso comunes de productos/capturas de pantalla/gráficos/escenas.
Generación de imágenesreferences/image-generation.mdResumen de modelos de imagen Imagen 4 y Gemini, APIs generate_images vs generate_content, relaciones de aspecto y costos, modalidades de texto/imagen/ambos, edición y composición, control de estilo y calidad, configuraciones de seguridad, mejores prácticas, resolución de problemas y escenarios comunes de marketing/arte conceptual/UI.
Videoreferences/video-analysis.mdCapacidades de análisis de video y formatos compatibles, elecciones de modelo/contexto, entradas locales/en línea/YouTube, control de recorte y FPS, comparación de múltiples videos, preguntas y respuestas temporales y detección de escenas, transcripción con contexto visual, guía de tokens y costos, y patrones de optimización y mejores prácticas.
Generación de videoreferences/video-generation.mdMatriz de modelos Veo, inicio rápido de texto a video e imagen a video, flujos de múltiples referencias y extensión, control de cámara y tiempo, configuración (resolución, relación de aspecto, audio, seguridad), patrones de diseño de prompts, consejos de rendimiento, limitaciones, resolución de problemas y estimaciones de costos.

Límites

Formatos: Audio (WAV/MP3/AAC, 9.5h), Imágenes (PNG/JPEG/WEBP, 3.6k), Video (MP4/MOV, 6h), PDF (1000 páginas) Tamaño: 20 MB en línea, 2 GB API de archivos Importante:

  • Si vas a generar una transcripción del audio y la duración del audio es mayor a 15 minutos, la transcripción a menudo se trunca debido a los límites de tokens de salida en la respuesta de la API de Gemini. Para obtener la transcripción completa, debes dividir el audio en fragmentos más pequeños (máximo 15 minutos por fragmento) y transcribir cada segmento para obtener una transcripción completa.
  • Si vas a generar una transcripción del video y la duración del video es mayor a 15 minutos, usa ffmpeg para extraer el audio del video, truncar el audio a 15 minutos, transcribir todos los segmentos de audio y luego combinar las transcripciones en una sola. Requisitos de salida de transcripción:
  • Formato: Markdown
  • Metadatos: Duración, tamaño del archivo, fecha de generación, descripción, nombre del archivo, temas tratados, etc.
  • Partes: de-a (ej., 00:00-00:15), nombre del fragmento de audio, transcripción, estado, etc.
  • Formato de la transcripción:
    [HH:MM:SS -> HH:MM:SS] contenido de la transcripción
    [HH:MM:SS -> HH:MM:SS] contenido de la transcripción
    ...
    

Recursos

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.

Skills relacionados