IA Multimodale
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 des clés API (Optionnelle)
Pour une utilisation intensive ou en cas de dépassement des limites de débit, configurez plusieurs clés API :
# Clé primaire (obligatoire)
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)
- Période de repos 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 "<prompt pour analyser l'image>" | gemini -y -m <gemini.model>(lisez le modèle depuis.opencode/.ck.json:gemini.model). Si la commandegeminin'est pas disponible, utilisezpython 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 rediriger des fichiers directement via stdin (détection automatique des formats 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 de vidéos :
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 pour les tâchestranscribe|analyze|extract|generate|generate-videoqui résout automatiquement les clés API, choisit des modèles par défaut pertinents par tâche, diffuse les fichiers en ligne ou via l'API File, et sauvegarde les résultats structurés (texte/JSON/CSV/markdown plus les actifs 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 basé sur Gemini qui télécharge des PDFs/images/documents Office, applique une invitation 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 verbose.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 en direct à l'API Gemini et affiche des instructions de correction en cas d'échec.
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, invitations de style, contrôle en temps réel, intégration avec la production vidéo. |
| Audio | references/audio-processing.md | Formats et limites audio, transcription (horodatages, intervenants, segments), analyse non vocale, API File vs entrée en ligne, modèles TTS, bonnes pratiques, coûts et calculs de tokens, et recettes concrètes pour réunions/podcasts/interviews. |
| Images | references/vision-understanding.md | Présentation des capacités de vision, 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 pour produits/captures d'écran/graphiques/scènes. |
| Génération d'images | references/image-generation.md | Présentation des modèles d'images Imagen 4 et Gemini, APIs 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 de marketing/art conceptuel/UI. |
| Vidéo | references/video-analysis.md | Capacités d'analyse vidéo et formats pris en charge, choix de modèle/contexte, entrées locale/en ligne/YouTube, découpage et contrôle FPS, comparaison multi-vidéo, Q&A temporelle et détection de scènes, transcription avec contexte visuel, guide des tokens et coûts, et modèles d'optimisation/bonnes pratiques. |
| Génération de vidéos | 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, ratio, audio, sécurité), modèles d'invitation, 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 (1k pages) Taille : 20 Mo en ligne, 2 Go via API File Important :
- Si vous générez une transcription d'un fichier audio d'une durée supérieure à 15 minutes, la transcription risque d'être 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 (15 minutes maximum par segment) et transcrire chaque segment pour une transcription complète.
- Si vous générez une transcription d'une vidéo d'une durée supérieure à 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 de transcription :
- Format : Markdown
- Métadonnées : Durée, taille du fichier, date de génération, description, nom du fichier, sujets abordés, etc.
- Parties : de-à (ex. 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 ...