核心用法
Video Understanding (Gemini) 是一款多模态视频分析技能，通过 Google Gemini API 对视频内容进行深度理解。核心工作流程分为三类：
- 本地视频文件：直接上传至 Gemini File API 进行分析
- YouTube 链接：直接透传给 Gemini，无需下载，速度最优
- 其他视频 URL：通过 yt-dlp 下载后上传分析，支持 Loom、TikTok、Vimeo、Twitter/X、Instagram 等 1000+ 平台
默认输出结构化 JSON，包含：逐字转录（带时间戳）、视觉场景描述、2-3 句摘要、时长估算及说话人识别。支持通过 -q 参数追加针对性提问，或 --raw 模式完全自定义提示词。
显著优点
- 源兼容性极强：依托 yt-dlp 生态，覆盖几乎所有主流视频平台
- 零本地计算成本：推理完全在 Gemini 云端完成，无需 GPU
- 双模型容错：主模型（默认 gemini-2.5-flash）遇 503/高负载时自动降级至 gemini-2.0-flash
- 灵活输出：支持纯 JSON 结构化数据或原始文本模式
- 磁盘管理优化：默认自动清理临时下载文件，避免空间占用
潜在缺点与局限性
- 依赖外部 API：需稳定的 GEMINI_API_KEY，且受 Google File API 上传限制（免费 2GB / 付费 20GB）
- 长视频分段限制：超长视频可能需要手动拆分处理
- 下载中间环节：非 YouTube 源需完整下载后再上传，大文件耗时且占用磁盘
- 认证门槛：YouTube 年龄限制或私有视频需额外配置 cookies
- 网络敏感性：国内用户可能面临连接稳定性问题
适合人群
- 内容创作者与运营：快速提取视频要点、生成字幕与摘要
- 研究人员与分析师：批量处理访谈、会议录屏、在线课程
- 开发者与自动化工作流：通过 JSON 输出集成至下游 pipeline
- 多语言用户：Gemini 原生支持跨语言理解与转录
常规风险
- API 密钥泄露：GEMINI_API_KEY 需妥善保管，避免硬编码或日志泄露
- 版权与隐私：下载及分析第三方视频需确保合法授权，避免处理敏感私人内容
- 数据残留：
--keep模式下本地视频文件留存，需手动管理敏感素材 - 依赖链风险：yt-dlp 与 ffmpeg 的版本兼容性需定期维护
- 成本累积：大体积/高频率调用可能产生显著 API 费用，建议设置
--max-size限制