Gemini多模态处理是ONE社区收录的AI SKILL插件，Google Gemini的多模态能力，支持文本、图像、音频、视频处理。截至2026年，ONE社区已收录77+款AI SKILL插件，提供一键安装与部署支持。
功能介绍
功能简介
Gemini多模态处理是Google推出的跨模态AI工具，原生支持文本、图像、音频和视频的混合理解与生成，实现真正的多模态智能交互。
核心功能
- 视觉理解：高精度图像识别，支持场景理解、文字提取（OCR）和视觉问答
- 跨模态推理：在文本、图像、音频间进行联合推理，理解多种信息源的关联
- 代码生成：基于自然语言描述或截图自动生成代码，支持30+编程语言
- 长文档处理：支持百万级token上下文窗口，可一次处理整本书或大型代码库
- 多语言支持：原生支持100+语言，中文理解能力优秀
适用场景
- 图像内容分析与标注
- 多模态内容创作
- 视频内容理解与摘要
- 跨语言文档翻译与本地化
使用建议
推荐使用Gemini Pro或Ultra版本获得最佳多模态体验。通过Google AI Studio可快速原型验证，生产环境建议使用Vertex AI部署。
安装方式
npx clawhub@latest install gemini-multimodal安装完成后，在 OpenClaw 中搜索「Gemini多模态处理」即可启用。