Google GenMedia Toolkit
Um kit unificado de linha de comando e script alimentado pelos modelos multimodais nativos do Google Gemini para criação de mídia generativa e edição conversacional.
Pré-requisitos
Todos os scripts deste kit devem ser executados usando uv run.
uv run scripts/<script_name>.py "PROMPT" [OPÇÕES]
Ferramentas e Índice de Referência
| Ferramenta | Script | Guia de Referência | Descrição |
|---|---|---|---|
| Geração de Imagens | scripts/genimage.py | references/genimage.md | Série Nano Banana (Gemini 3.1 Flash / Pro): Texto para imagem, 4K, inpaint, transferência de estilo, 14 imagens de referência, Pesquisa com Grounding e edição multitorre. |
| Geração de Vídeos | scripts/genvideo.py | references/genvideo.md | Gemini Omni Flash (gemini-omni-1.1-flash): Texto/imagem para vídeo, interpolação de quadros, edição multitorre de vídeo e extensão temporal. |
| Geração Musical | scripts/genmusic.py | references/genmusic.md | Google Lyria 3 (Clip e Pro): Clipes de 30s, músicas completas com letras e pontuação de imagem para música. |
| Síntese de Fala | scripts/text2speech.py | references/text2speech.md | Gemini TTS: 30 vozes expressivas pré-definidas, narração de um único locutor e diálogo com múltiplos locutores scriptado. |
1. Geração e Edição de Imagens: genimage.py
Gere e edite imagens usando a série de modelos Nano Banana (gemini-3.1-flash-image por padrão, gemini-3-pro-image, gemini-3.1-flash-lite-image). Suporta resolução de até 4K em 14 proporções de aspecto, composição de múltiplas imagens (até 14 imagens de referência), Pesquisa com Grounding do Google e edição conversacional multitorre.
Exemplos Rápidos
# Texto para Imagem (resolução 2K, 16:9 widescreen)
uv run scripts/genimage.py "Uma cidade cyberpunk futurista com luzes de neon e carros voadores na chuva, iluminação cinematográfica" -a 16:9 -s 2K -o cidade.jpg
# Inpaint de Objetos / Modificação de Elementos
uv run scripts/genimage.py "Usando a imagem fornecida do meu gato, adicione um pequeno chapéu de bruxo tricotado em sua cabeça. Faça com que pareça confortável." -i gato.png -o gato_com_chapeu.png
# Edição Conversacional Multitorre
uv run scripts/genimage.py "Atualize este infográfico para o espanhol. Não altere nenhum outro elemento." --previous-id "v1_id_interacao..." -o infografico_espanhol.png
👉 Para modelos detalhados de engenharia de prompt (fotorrealismo, adesivos, tipografia, maquetes de produtos, transferência de estilo) e tabelas de resolução, consulte references/genimage.md.
2. Geração e Edição de Vídeos: genvideo.py
Crie, edite e estenda vídeos cinematográficos com design de som integrado usando Gemini Omni Flash (gemini-omni-1.1-flash). Suporta texto para vídeo, imagem para vídeo, interpolação de primeiro e último quadro, edição conversacional multitorre com estado e extensão de clipe de vídeo.
Exemplos Rápidos
# Texto para Vídeo (tomada contínua e ininterrupta em 1080p com design de som)
uv run scripts/genvideo.py "Tomada contínua e suave de drone deslizando sobre montanhas de floresta cobertas de névoa ao nascer do sol. Design de som: brisa suave, cantos distantes de pássaros. Sem diálogo." -a 16:9 -r 1080p -o nascer_do_sol.mp4
# Interpolação de Primeiro e Último Quadro
uv run scripts/genvideo.py "Uma transição cinematográfica suave de uma floresta verdejante de verão ao nascer do sol para uma floresta coberta de neve sob um céu noturno estrelado." -i verao.jpg -i inverno.jpg -o transicao_estacoes.mp4
# Edição de Vídeo com Estado (Multitorre)
uv run scripts/genvideo.py "Torne o violino invisível. Mantenha todo o resto igual." --previous-id "v1_id_video..." -o violino_invisivel.mp4
# Extensão de Vídeo (Adiciona 3-10s ao final do clipe)
uv run scripts/genvideo.py "Continue a cena: a câmera se desloca sobre as montanhas enquanto o anoitecer se aproxima." -v clipe.mp4 --task extend -o clipe_estendido.mp4
👉 Para técnicas de movimento de câmera, estratégias de design de áudio e opções de entrega por URI para vídeos grandes/4K, consulte references/genvideo.md.
3. Geração de Música e Canções: genmusic.py
Sintetize faixas musicais e trilhas sonoras de alta fidelidade usando Google Lyria 3 (lyria-3-clip-preview para clipes/loops de 30s, lyria-3-pro-preview para músicas completas com várias seções).
Exemplos Rápidos
# Tema de Trilha Sonora Instrumental
uv run scripts/genmusic.py "Trilha sonora orquestral cinematográfica e edificante com cordas energéticas e crescendo de metais inspirador, 120 BPM, apenas instrumental" -o tema_epico.mp3
# Música Completa com Letras e Vocais Estruturados
uv run scripts/genmusic.py "Faixa synthwave melódica com leads nostálgicos de sintetizador analógico dos anos 80, bateria marcante e vocais com vocoder cantando sobre sonhos de neon" -m lyria-3-pro-preview -l letras.txt -o musica_synthwave.mp3
# Imagem para Música (Trilha Sonora de Clima Visual)
uv run scripts/genmusic.py "Componha uma trilha sonora ambiente que capture a atmosfera mística e tranquila desta paisagem de fantasia." -i paisagem.jpg -o bgm_ambiente.mp3
👉 Para engenharia de prompt em 5 dimensões (gênero, clima, instrumentação, andamento, vocais) e tags de letras estruturadas, consulte references/genmusic.md.
4. Síntese de Fala: text2speech.py
Sintetize áudio de fala natural e expressiva usando Gemini TTS (gemini-3.1-flash-tts-preview). Suporta 30 vozes pré-definidas distintas, pistas emocionais inline ([suspiros], [risos], [sussurrando], [animadamente]), narração de um único locutor e diálogo com múltiplos locutores scriptado.
Exemplos Rápidos
# Narração de Um Único Locutor com Pistas Vocais
uv run scripts/text2speech.py "[suspiros] Bem-vindo de volta... [animadamente] Vamos criar algo extraordinário hoje!" -v Puck -o bem_vindo.wav
# Ler Artigo de Arquivo
uv run scripts/text2speech.py -f artigo.txt -v Charon -o narracao_artigo.wav
# Diálogo Scriptado com Múltiplos Locutores
uv run scripts/text2speech.py "Alice: [animadamente] Bom dia Bob! Você já conferiu o novo modelo de imagem do Gemini?
Bob: [risos] Com certeza Alice! A renderização de texto e o modo de pensamento são alucinantes." -s "Alice:Aoede" -s "Bob:Fenrir" -o dialogo_podcast.wav
👉 Para o diretório completo de todas as 30 vozes pré-definidas, diretório de tags emocionais ([xxx]) e diretrizes de formatação de script de diálogo, consulte references/text2speech.md.