Communitygithub.com

マルチモーダルAI(Gemini API)

Gemini APIを使用して画像/音声/動画を分析し(Claudeより優れた視覚認識)、Imagen 4で画像生成、Veo 3で動画生成を行います。視覚分析、文字起こし、OCR、デザイン抽出、マルチモーダルAIに最適です。

マルチモーダルAI(Gemini API) とは?

このスキルは、Google GeminiのマルチモーダルAPIを活用して、画像、音声、動画、ドキュメントの処理と、Imagen 4およびVeo 3による画像・動画生成を可能にします。Claudeが苦手とする高度な視覚認識、文字起こし、OCR、デザイン抽出などのタスクを効率的に実行できます。複数のAPIキーによる自動ローテーション機能を備え、レート制限に対応。CLIツール(gemini_batch_process.py)を通じて、分析、文字起こし、生成などのタスクを簡単に実行でき、標準入力からのパイプ処理もサポート。さらに、メディア最適化(media_optimizer.py)、ドキュメント変換(document_converter.py)、セットアップ確認(check_setup.py)などの補助スクリプトも完備しており、エンタープライズ向けの堅牢なマルチモーダルAIワークフローを構築できます。

対応✓Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/majiayu000/claude-skill-registry-data/tree/HEAD/ai-ml/ai-multimodal-hoanghd218-landing-page-ai-kien

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、画像や動画を生成します。

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備えて、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"

# 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 ファイルに:

GEMINI_API_KEY=key1
GEMINI_API_KEY_2=key2
GEMINI_API_KEY_3=key3

機能:

  • レート制限エラー(429/RESOURCE_EXHAUSTED)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ログ出力
  • 後方互換性あり: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:画像分析を依頼された場合、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 .claude/.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 "description"

標準入力対応:ファイルを標準入力から直接パイプできます(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"
  • 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(音声付き8秒クリップ)
  • 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 タスク用の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ベースの事前処理ツール。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時間ごとのチャンクに分割し、ディレクトリをバッチ処理します。メディアがGeminiの制限内に収まるようにします。
  • document_converter.py:Geminiを利用したコンバーター。PDF/画像/Officeドキュメントをアップロードし、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、詳細ログ出力のためのCLIフラグを公開。
  • check_setup.py:インタラクティブな準備確認ツール。ディレクトリ構造、集中環境変数リゾルバー、必要なPython依存関係、GEMINI_API_KEY の有無と形式を検証し、ライブのGemini API呼び出しを実行後、問題があれば修正手順を表示します。

--help でオプションを確認できます。

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.mdLyria RealTime APIを使用したBGM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。
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)、非発話分析、File APIとインライン入力、TTSモデル、ベストプラクティス、コストとトークンの計算、具体的な会議/ポッドキャスト/インタビューのレシピ。
画像references/vision-understanding.md視覚機能の概要、対応フォーマットとモデル、キャプション/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、マルチ画像ワークフロー、構造化JSON出力、トークンコスト、ベストプラクティス、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と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、一般的なマーケティング/コンセプトアート/UIのシナリオ。
動画references/video-analysis.md動画分析機能と対応フォーマット、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、マルチ動画比較、時間的Q&Aとシーン検出、視覚コンテキスト付き文字起こし、トークンとコストのガイダンス、最適化/ベストプラクティスのパターン。
動画生成references/video-generation.mdVeoモデルマトリックス、テキストから動画と画像から動画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、安全性)、プロンプトデザインパターン、パフォーマンスのヒント、制限事項、トラブルシューティング、コスト見積もり。

制限

フォーマット:音声(WAV/MP3/AAC、最大9.5時間)、画像(PNG/JPEG/WEBP、最大3,600枚)、動画(MP4/MOV、最長6時間)、PDF(最大1,000ページ) サイズ:インラインで20MB、File APIで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(1チャンク最大15分)に分割し、各セグメントを個別に文字起こししてください。
  • 動画の文字起こしを行い、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、それらを1つの文字起こしに結合してください。 文字起こし出力要件:
  • フォーマット:マークダウン
  • メタデータ:長さ、ファイルサイズ、生成日、説明、ファイル名、対象トピックなど
  • パート:開始-終了(例:00:00-00:15)、音声チャンク名、文字起こし、ステータスなど
  • 文字起こしフォーマット:
    [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-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

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-data

Speech-to-text transcription and translation via OpenAI Audio API -- models, response formats, timestamps, prompting, streaming, chunking, and diarization

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

majiayu000/claude-skill-registry-data

Conduct domain and industry research. Use when the user says "lets create a research report on [domain or industry]

majiayu000/claude-skill-registry-data

Conduct market research on competition and customers. Use when the user says "create a market research report about [business idea]".

majiayu000/claude-skill-registry-data

Conduct technical research on technologies and architecture. Use when the user says "create a technical research report on [topic]".

majiayu000/claude-skill-registry-data

Understand an existing codebase through systematic exploration

majiayu000/claude-skill-registry-data

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".

関連スキル