核心功能
Video Understanding (Gemini) 是一款命令行视频分析工具，利用 Google Gemini 的多模态能力对视频内容进行深度理解。核心功能包括：
- 智能下载：通过 yt-dlp 支持 YouTube、TikTok、Loom、Twitter/X、Instagram 等 1000+ 站点
- 多模态分析：同时处理音频（转录）和视频（视觉描述）
- 结构化输出：标准 JSON 包含时间戳转录、视觉描述、2-3 句摘要、时长估算及说话人识别
显著优点
- 覆盖极广：yt-dlp 生态支持几乎所有主流视频平台
- 效率分层：YouTube URL 直连 Gemini API 无需下载，其他平台自动下载后上传
- 灵活交互：支持针对性提问（
-q）、自定义提示词（-p）或纯下载模式 - 大文件友好：Gemini File API 支持最高 2GB（免费）/ 20GB（付费）
- 自动化清理：临时文件和 API 上传自动清理
潜在局限
- 依赖外部工具：需提前安装 yt-dlp、ffmpeg 及配置 GEMINI_API_KEY
- 网络与合规风险：自动下载可能涉及版权内容，需用户自行确保合法使用
- Python 生态依赖：使用
uv管理依赖，对非 Python 用户有学习成本 - 非 YouTube 延迟：下载+上传流程增加了非 YouTube 源的处理时间
适合人群
- 内容创作者、研究人员、市场分析师需批量处理视频素材
- 开发者构建视频理解 pipeline 的底层组件
- 需快速提取会议录像、产品演示、社交媒体视频关键信息的效率用户
常规风险
- API 密钥泄露：GEMINI_API_KEY 需妥善保管，避免硬编码提交
- 版权合规：yt-dlp 下载功能可能触及平台 ToS，商用需谨慎
- 隐私暴露：上传至 Gemini File API 的内容受 Google 数据处理条款约束
- 成本累积：大文件/高频调用可能产生意外 API 费用