スキル一覧に戻る
InfQuest

media-understand

by InfQuest

0🍴 0📅 2026年1月19日
GitHubで見るManusで実行

SKILL.md


name: media-understand description: 使用 AI 理解和分析多媒体内容(图片、视频、音频)。Use when user wants to 理解图片, 分析视频, 音频转文字, 视频问答, understand media, analyze video, transcribe audio, describe image, what is in this video/image/audio.

Media Understanding

使用 Gemini 2.5 Flash 分析和理解多媒体内容。

Supported Formats

TypeFormatsMax Size
Imagejpg, jpeg, png, gif, webp20MB
Videomp4, mpeg, mov, webm, YouTube URL100MB
Audiowav, mp3, aiff, aac, ogg, flac, m4a100MB

Prerequisites

  1. MAX_API_KEY 环境变量(Max 自动注入)
  2. Bun 1.0+(Max v0.0.27+ 内置,无需额外安装)

Usage

bun skills/media-understand/media-understand.js <media_path_or_url> [prompt] [language]

Arguments:

  • media_path_or_url: File path or YouTube URL
  • prompt: Question or analysis request (default: "Please describe this content")
  • language: Output language - chinese or english (default: chinese)

Examples

Image Analysis

# Describe image
bun skills/media-understand/media-understand.js ./photo.jpg "请描述这张图片" chinese

# OCR - Extract text
bun skills/media-understand/media-understand.js ./screenshot.png "识别图片中的所有文字" chinese

# Answer question about image
bun skills/media-understand/media-understand.js ./chart.png "这个图表显示了什么趋势?" chinese

Video Analysis

# YouTube video summary
bun skills/media-understand/media-understand.js "https://youtube.com/watch?v=xxx" "总结这个视频的主要内容" chinese

# Local video analysis
bun skills/media-understand/media-understand.js ./video.mp4 "视频中发生了什么?" chinese

# Timestamp-based question
bun skills/media-understand/media-understand.js "https://youtu.be/xxx" "视频 2:30 处讲了什么?" chinese

Audio Analysis

# Transcribe audio
bun skills/media-understand/media-understand.js ./recording.mp3 "请转录这段音频" chinese

# Summarize podcast
bun skills/media-understand/media-understand.js ./podcast.m4a "总结这段播客的要点" chinese

# Detect speakers
bun skills/media-understand/media-understand.js ./meeting.wav "识别不同的说话人并整理他们说的内容" chinese

Common Prompts

Image:

  • 描述图片: "请详细描述这张图片的内容"
  • OCR: "识别并提取图片中的所有文字"
  • 物体识别: "图片中有哪些物体?"

Video:

  • 总结: "总结这个视频的主要内容"
  • 时间戳: "视频 X:XX 处发生了什么?"
  • 提取信息: "视频中提到了哪些关键信息?"

Audio:

  • 转录: "请转录这段音频的完整内容"
  • 总结: "总结这段音频的要点"
  • 说话人识别: "识别不同的说话人"

Notes

  • Video via Gemini: Best results with YouTube URLs. Local video files may have limited support.
  • Audio tokens: ~32 tokens/second
  • Video tokens: ~300 tokens/second at default resolution
  • Long media files will consume more tokens

Error Handling

File not found: Check the file path is correct

Unsupported format: Use supported formats listed above

File too large: Compress or trim the media file

API error: 请在 Max 设置中检查 Max API Key 是否正确配置

スコア

総合スコア

50/100

リポジトリの品質指標に基づく評価

SKILL.md

SKILL.mdファイルが含まれている

+20
LICENSE

ライセンスが設定されている

0/10
説明文

100文字以上の説明がある

0/10
人気

GitHub Stars 100以上

0/15
最近の活動

3ヶ月以内に更新がある

0/10
フォーク

10回以上フォークされている

0/5
Issue管理

オープンIssueが50未満

+5
言語

プログラミング言語が設定されている

+5
タグ

1つ以上のタグが設定されている

0/5

レビュー

💬

レビュー機能は近日公開予定です