AI Multimodal
Traitez l'audio, les images, les vidéos, les documents et générez des images/vidéos en utilisant l'API multimodale de Google Gemini.
Configuration
export GEMINI_API_KEY="votre-clé" # Obtenez-la sur https://aistudio.google.com/apikey
pip install google-genai python-dotenv pillow
Rotation de clé API (Optionnel)
Pour une utilisation intensive ou en cas de limites de débit, configurez plusieurs clés API :
# Clé primaire (requise)
export GEMINI_API_KEY="key1"
# Clés supplémentaires pour la rotation (optionnelles)
export GEMINI_API_KEY_2="key2"
export GEMINI_API_KEY_3="key3"
Ou dans votre fichier .env :
GEMINI_API_KEY=key1
GEMINI_API_KEY_2=key2
GEMINI_API_KEY_3=key3
Fonctionnalités :
- Rotation automatique en cas d'erreur de limite de débit (429/RESOURCE_EXHAUSTED)
- Temps d'attente de 60 secondes par clé après une limite de débit
- Journalisation des événements de rotation avec le flag
--verbose - Rétrocompatible : une seule clé fonctionne toujours
Démarrage rapide
Vérifier la configuration : python scripts/check_setup.py
Analyser un média : python scripts/gemini_batch_process.py --files <fichier> --task <analyze|transcribe|extract>
- ASTUCE : Lorsqu'on vous demande d'analyser une image, vérifiez si la commande
geminiest disponible, puis utilisezecho "<invite à analyser l'image>" | gemini -y -m <modèle.gemini>(lisez le modèle depuis.claude/.ck.json:gemini.model). Si la commandegeminin'est pas disponible, utilisez la commandepython scripts/gemini_batch_process.py --files <fichier> --task analyze. Générer du contenu :python scripts/gemini_batch_process.py --task <generate|generate-video> --prompt "description"
Support stdin : Vous pouvez envoyer des fichiers directement via stdin (détection automatique de PNG/JPG/PDF/WAV/MP3).
cat image.png | python scripts/gemini_batch_process.py --task analyze --prompt "Décris ceci"python scripts/gemini_batch_process.py --files image.png --task analyze(traditionnel)
Modèles
- Génération d'images :
imagen-4.0-generate-001(standard),imagen-4.0-ultra-generate-001(qualité),imagen-4.0-fast-generate-001(vitesse) - Génération vidéo :
veo-3.1-generate-preview(clips de 8s avec audio) - Analyse :
gemini-2.5-flash(recommandé),gemini-2.5-pro(avancé)
Scripts
gemini_batch_process.py: Orchestrateur CLI pourtranscribe|analyze|extract|generate|generate-videoqui résout automatiquement les clés API, choisit des modèles par défaut pertinents par tâche, diffuse les fichiers en ligne vs API File, et sauvegarde les sorties structurées (texte/JSON/CSV/markdown plus les assets générés) pour les workflows Imagen 4 + Veo.media_optimizer.py: Outil de pré-vérification basé sur ffmpeg/Pillow qui compresse/redimensionne/convertit les entrées audio, image et vidéo, applique des tailles/débits cibles, divise les longs clips en segments d'une heure, et traite par lots les répertoires pour que les médias restent dans les limites de Gemini.document_converter.py: Convertisseur alimenté par Gemini qui télécharge des PDFs/images/documents Office, applique une invite préservant le markdown, traite plusieurs fichiers par lots, nomme automatiquement les sorties sousdocs/assets, et expose des flags CLI pour le modèle, l'invite, la nomination automatique des fichiers et la journalisation verbeuse.check_setup.py: Vérificateur de préparation interactif qui valide la structure des répertoires, le résolveur d'environnement centralisé, les dépendances Python requises, et la disponibilité/format de GEMINI_API_KEY, puis effectue un appel API Gemini en direct et affiche des instructions correctives si quelque chose échoue.
Utilisez --help pour les options.
Références
Chargez pour des conseils détaillés :
| Sujet | Fichier | Description |
|---|---|---|
| Musique | references/music-generation.md | API Lyria RealTime pour la génération de musique de fond, invites de style, contrôle en temps réel, intégration avec la production vidéo. |
| Audio | references/audio-processing.md | Formats et limites audio, transcription (horodatages, locuteurs, segments), analyse non vocale, API File vs entrée en ligne, modèles TTS, bonnes pratiques, coûts et calcul des tokens, et recettes concrètes pour réunions/podcasts/interviews. |
| Images | references/vision-understanding.md | Aperçu des capacités visuelles, formats et modèles pris en charge, légendage/classification/VQA, détection et segmentation, OCR et lecture de documents, workflows multi-images, sortie JSON structurée, coûts en tokens, bonnes pratiques, et cas d'usage courants (produits, captures d'écran, graphiques, scènes). |
| Génération d'images | references/image-generation.md | Aperçu des modèles Imagen 4 et Gemini, API generate_images vs generate_content, ratios d'aspect et coûts, modalités texte/image/les deux, édition et composition, contrôle du style et de la qualité, paramètres de sécurité, bonnes pratiques, dépannage, et scénarios courants (marketing, concept art, UI). |
| Vidéo | references/video-analysis.md | Capacités d'analyse vidéo et formats pris en charge, choix de modèle/contexte, entrées locales/en ligne/YouTube, découpage et contrôle FPS, comparaison multi-vidéo, Q&A temporelle et détection de scènes, transcription avec contexte visuel, conseils sur les tokens et coûts, et schémas d'optimisation/bonnes pratiques. |
| Génération vidéo | references/video-generation.md | Matrice de modèles Veo, démarrage rapide texte-à-vidéo et image-à-vidéo, flux multi-référence et extension, contrôle de la caméra et du timing, configuration (résolution, aspect, audio, sécurité), schémas de conception d'invites, conseils de performance, limitations, dépannage, et estimations de coûts. |
Limites
Formats : Audio (WAV/MP3/AAC, 9,5h), Images (PNG/JPEG/WEBP, 3,6k), Vidéo (MP4/MOV, 6h), PDF (1000 pages) Taille : 20 Mo en ligne, 2 Go via API File Important :
- Si vous devez générer une transcription de l'audio et que la durée audio dépasse 15 minutes, la transcription est souvent tronquée en raison des limites de tokens de sortie de l'API Gemini. Pour obtenir la transcription complète, vous devez diviser l'audio en segments plus petits (max 15 minutes par segment) et transcrire chaque segment pour une transcription complète.
- Si vous devez générer une transcription de la vidéo et que la durée vidéo dépasse 15 minutes, utilisez ffmpeg pour extraire l'audio de la vidéo, tronquez l'audio à 15 minutes, transcrivez tous les segments audio, puis combinez les transcriptions en une seule transcription. Exigences de sortie pour les transcriptions :
- Format : Markdown
- Métadonnées : Durée, taille du fichier, date de génération, description, nom du fichier, sujets abordés, etc.
- Parties : de-à (par exemple, 00:00-00:15), nom du segment audio, transcription, statut, etc.
- Format de transcription :
[HH:MM:SS -> HH:MM:SS] contenu de la transcription [HH:MM:SS -> HH:MM:SS] contenu de la transcription ...