Communitygithub.com

majiayu000/claude-skill-registry

Gemini APIを使用した画像/音声/動画の分析(Claudeよりも優れたビジョン)。画像生成(Imagen 4)、動画生成(Veo 3)。ビジョン分析、文字起こし、OCR、デザイン抽出、マルチモーダルAIに利用可能。

claude-skill-registry とは?

このスキルは、Google GeminiのマルチモーダルAPIを利用して、画像、音声、動画、ドキュメントの分析、ならびに画像(Imagen 4)や動画(Veo 3)の生成を可能にします。Claude単体では苦手とする高度なビジョンタスクやマルチモーダル処理を補完し、開発者やAIエージェントがより幅広いメディアを扱えるようになります。対応プラットフォームはCLI(Pythonスクリプト)で、gemini_batch_process.pyが主要なオーケストレーターとして、複数のタスク(文字起こし、分析、抽出、生成)を統一的なインターフェースで実行します。また、APIキーの自動ローテーション機能により、レート制限を回避しながら高負荷のワークフローも安定して処理できます。このスキールは、特にClaude Code環境でのマルチモーダル機能拡張に有効で、Geminiの高いビジョン性能(画像理解、OCR、動画分析)をClaudeの強力な言語処理と組み合わせることができます。

対応✓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

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

AIマルチモーダル

Google GeminiのマルチモーダルAPIを使用して、音声、画像、動画、ドキュメントを処理し、画像/動画を生成します。

セットアップ

export GEMINI_API_KEY="your-key"  # https://aistudio.google.com/apikey から取得
pip install google-genai python-dotenv pillow

APIキーのローテーション(オプション)

大量使用時やレート制限に達した場合に、複数のAPIキーを設定できます:

# プライマリキー(必須)
export GEMINI_API_KEY="key1"

# ローテーション用の追加キー(オプション)
export GEMINI_API_KEY_2="key2"
export GEMINI_API_KEY_3="key3"

または .env ファイルで:

GEMINI_API_KEY=key1
GEMINI_API_KEY_2=key2
GEMINI_API_KEY_3=key3

機能:

  • レート制限(429/RESOURCE_EXHAUSTED)エラー時に自動ローテーション
  • レート制限後、キーごとに60秒のクールダウン
  • --verbose フラグでローテーションイベントを記録
  • 下位互換性あり:単一キーでも動作

クイックスタート

セットアップ確認: python scripts/check_setup.py メディア分析: python scripts/gemini_batch_process.py --files <file> --task <analyze|transcribe|extract>

  • ヒント: 画像分析を求められたときは、まず gemini コマンドが利用可能か確認し、利用可能なら echo "<画像分析のプロンプト>" | gemini -y -m <gemini.model> コマンドを使用してください(モデルは .opencode/.ck.json の gemini.model から読み取ってください)。gemini コマンドが利用できない場合は、python scripts/gemini_batch_process.py --files <file> --task analyze コマンドを使用してください。 コンテンツ生成: python scripts/gemini_batch_process.py --task <generate|generate-video> --prompt "説明"

標準入力対応: 標準入力から直接ファイルをパイプできます(PNG/JPG/PDF/WAV/MP3を自動検出)。

  • cat image.png | python scripts/gemini_batch_process.py --task analyze --prompt "これを説明してください"
  • python scripts/gemini_batch_process.py --files image.png --task analyze(従来の方法)

モデル

  • 画像生成: imagen-4.0-generate-001(標準)、imagen-4.0-ultra-generate-001(高品質)、imagen-4.0-fast-generate-001(高速)
  • 動画生成: veo-3.1-generate-preview(8秒クリップ、音声付き)
  • 分析: gemini-2.5-flash(推奨)、gemini-2.5-pro(高度)

スクリプト

  • gemini_batch_process.py: transcribe|analyze|extract|generate|generate-video タスクのCLIオーケストレーター。APIキーを自動解決し、タスクごとに適切なデフォルトモデルを選択し、ファイルをインラインまたはFile APIでストリーミングし、構造化された出力(テキスト/JSON/CSV/markdown、および生成されたアセット)を保存します。Imagen 4 + Veoワークフローに対応。
  • media_optimizer.py: ffmpeg/Pillowベースのプリフライトツール。音声、画像、動画の入力を圧縮/リサイズ/変換し、ターゲットサイズ/ビットレートを適用し、長いクリップを1時間のチャンクに分割し、ディレクトリをバッチ処理することで、メディアがGeminiの制限内に収まるようにします。
  • document_converter.py: Gemini搭載のコンバーター。PDF/画像/Office文書をアップロードし、マークダウン保持プロンプトを適用し、複数ファイルをバッチ処理し、docs/assets 下に自動命名で出力します。モデル、プロンプト、自動ファイル命名、詳細ログ出力のCLIフラグを公開。
  • check_setup.py: インタラクティブな準備状態チェッカー。ディレクトリレイアウト、一元化された環境変数リゾルバー、必要なPython依存関係、GEMINI_API_KEYの利用可能性/形式を検証し、ライブのGemini API呼び出しを実行し、問題があれば修復手順を表示します。

各スクリプトのオプションは --help で確認してください。

リファレンス

詳細なガイダンスについては以下を参照してください:

トピックファイル説明
音楽references/music-generation.md背景音楽生成、スタイルプロンプト、リアルタイム制御、動画制作との統合のためのLyria RealTime API。
音声references/audio-processing.md音声フォーマットと制限、文字起こし(タイムスタンプ、話者、セグメント)、非音声分析、File API vs インライン入力、TTSモデル、ベストプラクティス、コストとトークンの計算、具体的なミーティング/ポッドキャスト/インタビューのレシピ。
画像references/vision-understanding.mdビジョン機能の概要、サポートされているフォーマットとモデル、キャプション生成/分類/VQA、検出とセグメンテーション、OCRとドキュメント読み取り、マルチイメージワークフロー、構造化JSON出力、トークンコスト、ベストプラクティス、および一般的な製品/スクリーンショット/チャート/シーンのユースケース。
画像生成references/image-generation.mdImagen 4とGemini画像モデルの概要、generate_images vs generate_content API、アスペクト比とコスト、テキスト/画像/両方のモダリティ、編集と合成、スタイルと品質の制御、安全設定、ベストプラクティス、トラブルシューティング、および一般的なマーケティング/コンセプトアート/UIシナリオ。
動画references/video-analysis.md動画分析機能とサポートされているフォーマット、モデル/コンテキストの選択、ローカル/インライン/YouTube入力、クリッピングとFPS制御、複数動画比較、時間的Q&Aとシーン検出、視覚コンテキストによる文字起こし、トークンとコストのガイダンス、および最適化/ベストプラクティスパターン。
動画生成references/video-generation.mdVeoモデルマトリックス、テキストから動画および画像から動画へのクイックスタート、マルチリファレンスと拡張フロー、カメラとタイミング制御、設定(解像度、アスペクト、音声、安全)、プロンプトデザインパターン、パフォーマンスのヒント、制限、トラブルシューティング、およびコスト見積もり。

制限

フォーマット: 音声(WAV/MP3/AAC、9.5時間)、画像(PNG/JPEG/WEBP、3,600枚)、動画(MP4/MOV、6時間)、PDF(1,000ページ) サイズ: インライン20MB、File API 2GB 重要:

  • 音声の文字起こしを行う場合、音声の長さが15分を超えると、Gemini APIの出力トークン制限により文字起こしが途中で切れることがよくあります。完全な文字起こしを取得するには、音声をより小さなチャンク(最大15分)に分割し、各セグメントを文字起こししてから結合してください。
  • 動画の文字起こしを行う場合、動画の長さが15分を超える場合は、ffmpegを使用して動画から音声を抽出し、音声を15分に分割し、すべての音声セグメントを文字起こししてから、単一の文字起こしに結合してください。 文字起こし出力要件:
  • 形式: Markdown
  • メタデータ: 再生時間、ファイルサイズ、生成日、説明、ファイル名、カバーされているトピックなど
  • パーツ: from-to(例:00:00-00:15)、音声チャンク名、文字起こし、ステータスなど
  • 文字起こし形式:
    [HH:MM:SS -> HH:MM:SS] 文字起こし内容
    [HH:MM:SS -> HH:MM:SS] 文字起こし内容
    ...
    

リソース

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.

関連スキル