minimax-multimodal-toolkit 是做什么的？
MiniMax 多模态模型技能 —— 使用 MiniMax 多模态模型处理语音、音乐、视频和图像。通过 MiniMax AI 创建语音、音乐、视频和图像：TTS（文本转语音、语音克隆、语音设计、多片段）、音乐（歌曲、伴奏）、视频（文本转视频、图像转视频、起止帧、主体参照、模板、长格式多场景）、图像（文本转图像、带人物参照的图像转图像）以及媒体处理（转换、拼接、裁剪、提取）。当用户需要时使用。
MiniMax 多模态模型技能 —— 使用 MiniMax 多模态模型处理语音、音乐、视频和图像。通过 MiniMax AI 创建语音、音乐、视频和图像。
此技能利用 MiniMax 的多模态 AI 模型，为开发者提供一套全面的工具，用于生成和处理各种媒体类型。它支持 TTS（文本转语音、语音克隆、语音设计、多片段）、音乐生成（歌曲、伴奏），以及视频创作（文本/图像转视频、起止帧、主体参照、模板、长格式多场景）。在图像方面，此技能支持文本/图像生成，并具备人物参照功能；还包括媒体处理功能，如转换、拼接、裁剪和提取。它专为 Cursor 和 IDE 代理集成而设计，通过自然语言指令实现 AI 驱动的媒体制作工作流程。其目标是简化视频、音频和图像内容的创建与编辑，使开发者无需直接调用底层 API 即可实现复杂的多媒体任务。此技能对于需要快速生成和操作视觉及听觉内容的应用场景（如广告、社交媒体内容和教育材料）尤为有用。
npx skills add https://github.com/czhmisaka/deepseek-harness-custom/tree/main/skills/minimax-multimodal-toolkitMiniMax 多模态模型技能 —— 使用 MiniMax 多模态模型处理语音、音乐、视频和图像。通过 MiniMax AI 创建语音、音乐、视频和图像：TTS（文本转语音、语音克隆、语音设计、多片段）、音乐（歌曲、伴奏）、视频（文本转视频、图像转视频、起止帧、主体参照、模板、长格式多场景）、图像（文本转图像、带人物参照的图像转图像）以及媒体处理（转换、拼接、裁剪、提取）。当用户需要时使用。
Extract frames or short clips from videos using ffmpeg.
Summarize or transcribe URLs, YouTube/videos, podcasts, articles, transcripts, PDFs, and local files.
Use when testing, fixing, or extending the OpenClaw Control UI GUI with Vitest + Playwright end-to-end checks, mocked Gateway WebSocket flows, mocked dashboard runs, screenshots/videos, or agent-verifiable browser proof.
Obra superpowers agent skills.
See, Understand, Act on video and audio. See- ingest from local files, URLs, RTSP/live feeds, or live record desktop; return realtime context and playable stream links. Understand- extract frames, build visual/semantic/temporal indexes, and search moments with timestamps and auto-clips. Act- transcode and normalize (codec, fps, resolution, aspect ratio), perform timeline edits (subtitles, text/image overlays, branding, audio overlays, dubbing, translation), generate media assets (image, audio...
End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.