# ai-multimodal

Скилл для работы с аудио, видео, изображениями и PDF через Gemini API. Пригодится, когда надо расшифровать запись, разобрать скриншот или вытащить таблицу из документа.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 530 установок · ★ 2228
- Автор: mrgoonie
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/mrgoonie/claudekit-skills/tree/HEAD/.claude/skills/ai-multimodal/SKILL.md
- Обновлён: 2026-04-03
- HTML: https://affpapa.org/nevibecode/skills/ai-multimodal

## Что делает

Скилл даёт агенту доступ к мультимодальным возможностям Google Gemini. Он расшифровывает аудио с таймкодами, распознаёт речь и музыку, разбирает видео со сценами и вопросами по ходу, читает PDF с таблицами, формами и графиками, а ещё генерирует картинки по текстовому описанию и правит готовые. Внутри — скрипты `gemini_batch_process.py`, `media_optimizer.py` и `document_converter.py`, которые вызываются из Bash.

Для работы нужен ключ `GEMINI_API_KEY`: скилл ищет его в переменных окружения, затем в `.env` в корне проекта, потом в `.claude/.env`, `.claude/skills/.env` и `.claude/skills/ai-multimodal/.env`. Поддерживается и Vertex AI — через `GEMINI_USE_VERTEX`, `VERTEX_PROJECT_ID` и `VERTEX_LOCATION`. Плюс придётся поставить SDK: `pip install google-genai python-dotenv pillow`. Без ключа ничего не запустится, так что это первое, что стоит проверить.

Модели различаются по возможностям. Сегментация и мультивидео требуют Gemini 2.5+, детекция объектов — 2.0+, а генерация изображений работает только на `gemini-2.5-flash-image`. Контекст до 2M токенов, но у видео есть потолок: 6 часов в низком разрешении или 2 часа в обычном. Аудио ограничено 9.5 часами, PDF — 1 000 страниц, а загруженные через File API файлы удаляются через 48 часов.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mrgoonie/claudekit-skills --skill ai-multimodal -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/ai-multimodal/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/ai-multimodal/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mrgoonie/claudekit-skills --skill ai-multimodal -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/ai-multimodal/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mrgoonie/claudekit-skills --skill ai-multimodal -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/ai-multimodal/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install mrgoonie/claudekit-skills ai-multimodal
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/ai-multimodal/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mrgoonie/claudekit-skills --skill ai-multimodal -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/mrgoonie/claudekit-skills --path .claude/skills/ai-multimodal
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/ai-multimodal/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add mrgoonie/claudekit-skills --skill ai-multimodal -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/mrgoonie/claudekit-skills/tree/HEAD/.claude/skills/ai-multimodal/SKILL.md

## Когда брать
- расшифровать часовую запись созвона с таймкодами
- вытащить таблицу из PDF в JSON
- разобрать скриншот интерфейса и найти ошибку
- сжать большое видео перед отправкой в модель
- сгенерировать картинку по описанию для макета

## Примеры запросов агенту
- Расшифруй `audio.mp3` с таймкодами через `gemini_batch_process.py`
- Разбери `document.pdf` и вытащи таблицы в JSON
- Опиши, что происходит в `video.mp4`, и отметь ключевые моменты по времени

## Похожие
- [vision-multimodal](https://affpapa.org/nevibecode/skills/vision-multimodal.md) — скилл · 550 установок
- [multimodal-whisper](https://affpapa.org/nevibecode/skills/multimodal-whisper.md) — скилл · 91 установка
- [linkfox-multimodal-extract-attributes](https://affpapa.org/nevibecode/skills/linkfox-multimodal-extract-attributes.md) — скилл · 409 установок
- [linkfox-multimodal-product-similarity](https://affpapa.org/nevibecode/skills/linkfox-multimodal-product-similarity.md) — скилл · 400 установок
- [videoagent-image-studio](https://affpapa.org/nevibecode/skills/videoagent-image-studio.md) — скилл · 5600 установок
- [gemini-mcp](https://affpapa.org/nevibecode/mcp/gemini-mcp.md) — MCP-сервер · ★ 218

Из того же набора: [mrgoonie/claudekit-skills](https://affpapa.org/nevibecode/by/mrgoonie/claudekit-skills.md) — 21 карточка

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md