核心功能
Video Understanding 是一款集成 Google Gemini 多模态能力的视频分析工具，专为内容创作者、研究人员和知识工作者设计。该 skill 通过 yt-dlp 支持从 1000+ 视频网站（包括 YouTube、TikTok、Instagram、Twitter/X、Vimeo、Loom 等）下载内容，并利用 Gemini 的视觉理解能力进行深度分析。
显著优点
1. 多模态分析能力：不仅能提取语音转录文本，还能识别视频中的视觉元素（人物、场景、UI 界面、屏幕文字、流程演示等），实现真正的"看懂"视频
2. 结构化输出：自动生成包含时间戳的文字记录、视觉描述、2-3 句话摘要、演讲者识别和时长估计的标准化 JSON 格式
3. 智能问答交互：支持针对视频内容提出具体问题，Gemini 会基于视觉+音频信息进行精准回答
4. 源覆盖极广：依托 yt-dlp 的庞大生态系统，兼容几乎所有主流视频平台
5. YouTube 原生优化：YouTube 链接无需下载，直接调用 Gemini 分析，速度最快
技术实现与使用方式
- 下载流程：非 YouTube 视频通过 yt-dlp 下载 → 上传至 Gemini File API → 轮询处理完成 → 执行分析
- 模型配置：默认使用
gemini-2.5-flash，可通过-m参数切换 - 灵活输出：支持纯下载模式（
--download-only）、自定义提示覆盖（-p）、针对性问答（-q）以及原始文本输出（--raw）
潜在局限与注意事项
1. 依赖外部工具：必须预先安装 yt-dlp 和 ffmpeg，且需配置 GEMINI_API_KEY
2. 文件大小限制：免费版 Gemini File API 限制 2GB，付费版 20GB；脚本默认限制 500MB
3. 长视频处理成本：10 分钟以上视频虽技术上可行，但 token 消耗和处理时间显著增加
4. 隐私合规风险：下载并上传第三方视频至 Google 服务，需确保符合目标平台 TOS 及数据隐私法规
5. 网络稳定性依赖：下载大文件和 File API 上传对网络质量要求较高
适合人群
- 内容创作者快速提炼视频素材要点
- 研究人员批量处理访谈、讲座、会议录像
- 产品经理分析竞品演示视频
- 教育工作者生成视频课程的文字辅助材料
- 媒体记者核实视频内容真实性
常规风险提示
- API 密钥安全：GEMINI_API_KEY 需妥善保管，避免泄露
- 版权合规：下载受版权保护内容可能违反平台服务条款
- 数据留存：上传至 Gemini File API 的文件按 Google 数据政策处理
- 成本控制：大量长视频分析可能产生显著的 API 调用费用