多模态内容生成

利用 Google Gemini API 处理多媒体内容，支持音频和图像分析。 使用 Google Gemini API 处理和生成多媒体内容。功能包括分析音频文件（带时间戳的转录、摘要、语音理解、音乐/声音分析，最长可达 9.5 小时）、理解图像（标题、物体检测、OCR、视觉问答、分割）等。