mcpField
M
media-understand

media-understand

github.com/infquest创意与媒体053 次安装40 周前更新
代码仓库

关于 media-understand

使用 Gemini 2.5 Flash 分析图像、视频和音频文件或支持的 URL。技能接受提示词，并可用中文或英文输出结果。

主要功能

  1. 01分析支持的图像格式
  2. 02分析视频文件和 YouTube URL
  3. 03转录并总结音频
  4. 04根据提示词回答媒体相关问题
  5. 05选择中文或英文输出

适用场景

  1. 01提取截图中的文字
  2. 02询问图表或图像内容
  3. 03总结 YouTube 视频
  4. 04转录或总结录音

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/infquest/vibe-ops-plugin --skill media-understand

安装后在 Claude Code 中输入/media-understand确认已加载。

附带文件media-understand.js

详细介绍

媒体理解

使用 Gemini 2.5 Flash 分析和理解多媒体内容。

支持的格式

类型格式最大大小
图片jpg, jpeg, png, gif, webp20MB
视频mp4, mpeg, mov, webm, YouTube URL100MB
音频wav, mp3, aiff, aac, ogg, flac, m4a100MB

前提条件

  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）

用法

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

参数：

  • media_path_or_url：文件路径或 YouTube URL
  • prompt：问题或分析请求（默认值："请描述此内容"）
  • language：输出语言 - chinese 或 english（默认值：chinese）

示例

图片分析
# 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
视频分析
# 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
音频分析
# 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

常见提示词

图片：

  • 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？"

视频：

  • 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？"

音频：

  • 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"

注意事项

  • 通过 Gemini 处理视频：YouTube URL 效果最佳。本地视频文件的支持可能有限。
  • 音频 Token：约 32 个 Token/秒
  • 视频 Token：默认分辨率下约 300 个 Token/秒
  • 较长的媒体文件会消耗更多 Token

错误处理

未找到文件：检查文件路径是否正确

不支持的格式：使用上方列出的支持格式

文件过大：压缩或剪辑媒体文件

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

评论

支持 Markdown