Google GenMedia 工具包
一個統一的命令列與腳本工具包，由 Google 的原生多模態 Gemini 模型驅動，用於生成式媒體創作與對話式編輯。
前置需求
此工具包中的所有腳本都必須使用 uv run 執行。
uv run scripts/<script_name>.py "PROMPT" [OPTIONS]
工具與參考索引
| 工具 | 腳本 | 參考指南 | 說明 |
|---|---|---|---|
| 影像生成 | scripts/genimage.py | references/genimage.md | Nano Banana 系列（Gemini 3.1 Flash / Pro）：文字轉影像、4K、修補、風格轉換、14 張參考影像、搜尋接地與多輪編輯。 |
| 影片生成 | scripts/genvideo.py | references/genvideo.md | Gemini Omni Flash（gemini-omni-1.1-flash）：文字/影像轉影片、影格內插、多輪影片編輯與時間延伸。 |
| 音樂生成 | scripts/genmusic.py | references/genmusic.md | Google Lyria 3（Clip 與 Pro）：30 秒片段、含歌詞的完整結構歌曲，以及影像轉音樂配樂。 |
| 語音合成 | scripts/text2speech.py | references/text2speech.md | Gemini TTS：30 種預設表達性聲音、單一說話者旁白，以及腳本化的多說話者對話。 |
1. 影像生成與編輯：genimage.py
使用 Nano Banana 模型系列（預設為 gemini-3.1-flash-image、gemini-3-pro-image、gemini-3.1-flash-lite-image）來生成和編輯影像。支援高達 4K 解析度的 14 種長寬比、多影像合成（最多 14 張參考影像）、Google 搜尋接地以及多輪對話式編輯。
快速範例
# 文字轉影像（2K 解析度，16：9 寬螢幕）
uv run scripts/genimage.py "一座未來感賽博龐克城市，霓虹燈與飛行車在雨中穿梭，電影級燈光" -a 16:9 -s 2K -o city.jpg
# 物件修補 / 元素修改
uv run scripts/genimage.py "使用提供的貓咪圖片，請在牠頭上加上一頂小型編織巫師帽。讓牠看起來坐得很舒服。" -i cat.png -o cat_with_hat.png
# 多輪對話式編輯
uv run scripts/genimage.py "將這份資訊圖表更新為西班牙文。不要更改任何其他元素。" --previous-id "v1_interaction_id..." -o infographic_spanish.png
👉 如需詳細的提示工程模板（寫實攝影、貼紙、排版、產品模型、風格轉換）與解析度表，請參閱 references/genimage.md。
2. 影片生成與編輯：genvideo.py
使用 Gemini Omni Flash（gemini-omni-1.1-flash）創建、編輯和延伸具有整合音效設計的電影級影片。支援文字轉影片、影像轉影片、起始與結束影格內插、有狀態的多輪對話式編輯以及影片片段延伸。
快速範例
# 文字轉影片（1080p 連續不間斷鏡頭，附帶音效設計）
uv run scripts/genvideo.py "日出時分，連續平穩的無人機鏡頭掠過迷霧松林山脈。音效設計：微風輕拂、遠處鳥鳴。無對話。" -a 16:9 -r 1080p -o sunrise.mp4
# 起始與結束影格內插
uv run scripts/genvideo.py "從夏日陽光明媚的翠綠森林到星光夜空下的雪地森林，平穩的電影級過渡。" -i summer.jpg -i winter.jpg -o season_transition.mp4
# 有狀態影片編輯（多輪）
uv run scripts/genvideo.py "讓小提琴隱形。保持其他一切不變。" --previous-id "v1_video_id..." -o invisible_violin.mp4
# 影片延伸（在片段末端追加 3-10 秒）
uv run scripts/genvideo.py "繼續場景：隨著暮色降臨，鏡頭橫越山脈。" -v clip.mp4 --task extend -o extended_clip.mp4
👉 如需相機運鏡技巧、音訊設計策略以及大型/4K 影片的 URI 交付選項，請參閱 references/genvideo.md。
3. 音樂與歌曲生成：genmusic.py
使用 Google Lyria 3（lyria-3-clip-preview 適用於 30 秒片段/循環，lyria-3-pro-preview 適用於完整多段式歌曲）合成高傳真音樂曲目與配樂。
快速範例
# 器樂配樂主題
uv run scripts/genmusic.py "振奮人心的電影管弦樂配樂，具有充滿活力的弦樂和激勵人心的銅管樂漸強，120 BPM，僅器樂" -o epic_theme.mp3
# 完整歌曲，含結構化歌詞與人聲
uv run scripts/genmusic.py "旋律合成波曲目，帶有懷舊的 80 年代類比合成器主旋律、有力的鼓聲，以及唱著霓虹夢想的聲碼器人聲" -m lyria-3-pro-preview -l lyrics.txt -o synthwave_song.mp3
# 影像轉音樂（視覺情緒配樂）
u run scripts/genmusic.py "創作一首氛圍配樂，捕捉這個奇幻景觀的神秘與寧靜氛圍。" -i landscape.jpg -o ambient_bgm.mp3
👉 如需 5 維度提示工程（曲風、情緒、配器、節奏、人聲）與結構化歌詞標籤，請參閱 references/genmusic.md。
4. 文字轉語音合成：text2speech.py
使用 Gemini TTS（gemini-3.1-flash-tts-preview）合成自然、富有表現力的語音音訊。支援 30 種不同的預設聲音、內嵌情緒提示（[嘆氣]、[笑]、[低語]、[興奮地]）、單一說話者旁白以及腳本化的多說話者對話。
快速範例
# 單一說話者旁白，附帶聲音提示
uv run scripts/text2speech.py "[嘆氣] 歡迎回來...[興奮地] 今天我們來創造一些非凡的東西吧！" -v Puck -o welcome.wav
# 從檔案朗讀文章
uv run scripts/text2speech.py -f article.txt -v Charon -o article_narration.wav
# 多說話者腳本化對話
uv run scripts/text2speech.py "Alice：[興奮地] 早安 Bob！你看過新的 Gemini 影像模型了嗎？
Bob：[笑] 當然看過了 Alice！它的文字渲染和思考模式真是太驚人了。" -s "Alice:Aoede" -s "Bob:Fenrir" -o podcast_dialogue.wav
👉 如需完整的 30 種預設聲音目錄、情緒標籤目錄（[xxx]）與對話腳本格式指南，請參閱 references/text2speech.md。