（10725期）Google Gemini Media – Gemini 多模态媒体生成与理解全栈方案

Gemini 多模态媒体生成与理解全栈方案 基于 Google Gemini API 的一站式多模态媒体工作流方案，涵盖图像生成/理解、视频生成/理解、语音合成与音频理解六大能力，提供 Node.js/REST 双端代码模板，支持端到端内容生产。 使用说明 核心用法 本 Skill 整合 Google Gemini API 的六大多模态能力，提供从内容生成到理解分析的完整工作流： 图像生成（Nano Banana）：支持文本生图、图像编辑、多轮迭代，可选 gemini-2.5-flash-image（速度优先）或 gemini-3-pro-image-preview（质量优先） 图像理解：支持 VQA、字幕、分类、对比，可处理多图输入（内嵌/Files API 双模式） 视频生成（Veo 3.1）：生成 8 秒高清视频，支持原生音频、首末帧控制、参考图引导，分辨率可达 4K 视频理解：支持上传/YouTube URL 分析，输出带时间戳的摘要与问答 语音合成（Gemini TTS）：单/双说话人可控风格朗读，30 种预置音色，支持 24 种语言 音频理解：描述、转录、时段转录、Token 计数，支持 9.5 小时超长音频 技术实现提供统一的 Node.js SDK 与 REST 双端模板，明确区分 Inline（<20MB）与 Files API 两种输入模式，视频生成采用异步轮询机制。 显著优点 官方原生集成：基于 Google Gen AI SDK，API 稳定性与长期维护有保障 端到端闭环：生成→验证→再编辑的完整工作流，支持 A→B→C 链式组合 工程友好：提供明确的模型选择矩阵、输入模式决策树、错误处理与超时退避策略 多模态原生：同一模型家族支持跨模态理解与生成，减少异构系统复杂度 潜在局限 语言限制：当前仅提供 Node.js/REST 示例，其他语言需自行映射 视频时效性：生成视频服务器保留时间有限，需立即下载 成本与延迟：4K 视频、Pro 级图像生成成本较高；视频生成需分钟级轮询等待 合规约束：生成内容含 SynthID 水印，人物/区域生成可能受限 适合人群 需要快速搭建 AI 媒体生产管道的开发团队 构建营销素材、短视频、播客、有声书等内容的工作室 已有 Node.js 技术栈、希望减少多供应商对接成本的企业 常规风险 版权与合规：需确保上传素材拥有合法权利，禁止生成欺诈、侵权、有害内容 生产可靠性：必须实现超时重试、失败降级、人工审核机制，避免单点故障 Token 成本：长音频/高分辨率视频易触及配额上限，需预先估算与分段处理 原始说明 Use the Gemini API (Nano Banana image generation, Veo video, Gemini TTS speech and audio understanding) to deliver end-to-end multimodal media workflows and code templates for "generation + understanding".