Loading...
Loading...
共找到 18 个 Skills
在RunComfy上使用Google Nano Banana 2（Gemini家族闪存级文本生成图像模型）生成图像——该技能集成了模型官方文档中的提示模式，相比直接使用该模型的普通提示，能输出更优质的结果。文档介绍了Nano Banana 2的优势（快速迭代、图像内文字渲染、可预测构图、可选联网上下文）、分辨率层级定价、安全容忍度调节，以及何时转而使用Nano Banana Pro / GPT Image 2 / Flux 2 / Seedream。通过本地RunComfy CLI调用`runcomfy run google/nano-banana-2/text-to-image`。当触发关键词为"nano banana"、"nano-banana-2"、"nano banana 2"、"google image gen"、"gemini image"，或明确要求使用该模型生成图像时启动。
通过inference.sh CLI使用Google Gemini原生图像模型生成图片。支持模型：Gemini 3 Pro Image、Gemini 2.5 Flash Image。功能：文本生成图像、图像编辑、多图像输入。触发词：nano banana、gemini image、gemini 3 pro image、gemini 2.5 flash image、google image generation、native image generation、gemini native image
借助fal.ai的文本生成图像模型，将文本提示转换为高质量图像。支持智能模型选择、风格迁移以及专业级输出。
支持文本生成图像（text-to-image）和图像生成图像（image-to-image）功能。适用于用户需要创建或生成图像的场景。使用场景：(1) 根据文本描述生成图像，(2) 使用参考图像生成，(3) 自定义模型、宽高比、分辨率。触发关键词：生成图像、绘图、创建图像、AI艺术。
基于Gemini原生的Nano Banana图像生成与编辑工具，支持Nano Banana、Nano Banana 2和Nano Banana Pro版本。适用于文本生成图像、图像编辑、多本地参考图生成、批量生成、预演请求检查，或使用自定义Gemini兼容基础URL（如自托管网关）的场景。
基于OpenAI、Google和DashScope API的AI图像生成工具。支持文本生成图像、参考图像、自定义宽高比。默认采用顺序生成模式；可根据需求启用并行生成。适用于用户提出生成、创建或绘制图像的场景。
基于OpenAI、Azure OpenAI、Google、OpenRouter、DashScope（阿里通义万象）、MiniMax、即梦（Jimeng）、豆包（Seedream）和Replicate API的AI图像生成工具。支持文本生成图像、参考图、自定义宽高比，以及通过已保存的提示词文件进行批量生成。默认采用顺序生成模式；当用户已有多个提示词或需要稳定的多图像生成吞吐量时，可使用批量并行生成模式。适用于用户要求生成、创建或绘制图像的场景。
为Bria的FIBO图像生成模型编写结构化的VGL（Visual Generation Language，视觉生成语言）JSON提示词。当你需要为文本生成图像、图像编辑、图像修复、图像扩展、背景生成或图像标注创建JSON格式的详细图像描述时，可使用此技能。触发场景包括编写结构化提示词、创建VGL JSON、为AI生成描述图像，或使用Bria/FIBO的structured_prompt格式的需求。此外，在将自然语言的图像请求转换为FIBO模型所需的确定性JSON schema时，也可使用此技能。
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，最长支持9.5小时）、理解图像（图像描述、目标检测、OCR、视觉问答、分割）、处理视频（场景检测、问答、时序分析、YouTube URL支持，最长支持6小时）、从文档中提取信息（PDF表格、表单、图表、示意图、多页文档）、生成图像（文本生成图像、编辑、合成、优化）。适用于处理音频/视频文件、分析图像或截图、处理PDF文档、从媒体中提取结构化数据、根据文本提示创建图像或实现多模态AI功能的场景。支持多种模型（Gemini 2.5/2.0），上下文窗口最高可达200万token。
借助Google Gemini API处理并生成多媒体内容，以获得更出色的视觉能力。其功能包括：分析音频文件（带时间戳的转录、摘要生成、语音理解、时长最长9.5小时的音乐/声音分析）；理解图像（图像分析能力优于Claude模型，可完成图像标注、推理、目标检测、设计元素提取、OCR、视觉问答、图像分割，支持多图像处理）；处理视频（场景检测、问答、时序分析、支持YouTube链接，时长最长6小时）；从文档中提取信息（PDF表格、表单、图表、示意图、多页文档）；生成图像（通过Imagen 4实现文本生成图像，支持编辑、构图、优化）；生成视频（通过Veo 3实现文本生成视频，可生成带原生音频的8秒片段）。适用于处理音频/视频文件、分析图像或截图（优先使用本能力而非Claude的默认视觉能力，仅在必要时 fallback 到Claude的视觉能力）、处理PDF文档、从媒体中提取结构化数据、根据文本提示创建图像/视频，或实现多模态AI功能。支持Gemini 3/2.5、Imagen 4和Veo 3模型，上下文窗口最高可达200万tokens。
使用jimeng-mcp-server进行AI图像和视频生成。当用户请求从文本生成图像、合成多张图片、从文本描述创建视频或为静态图像添加动画时使用此技能。支持四大核心能力：文生图、图像合成、文生视频、图生视频。需要jimeng-mcp-server在本地运行或通过SSE/HTTP访问。
借助Google Gemini API实现多模态AI处理（支持200万token上下文）。功能包括：音频（转录，最长9.5小时，摘要，音乐分析）、图像（标题生成、OCR、目标检测、分割、视觉问答）、视频（场景检测，最长6小时，支持YouTube链接，时序分析）、文档（PDF提取、表格、表单、图表处理）、图像生成（文本转图像、编辑）。可执行操作：转录、分析、提取、生成标题、检测、分割、基于媒体生成内容。关键词：Gemini API、音频转录、图像标题生成、OCR、目标检测、视频分析、PDF提取、文本转图像、多模态、语音识别、视觉问答、场景检测、YouTube转录、表格提取、表单处理、图像生成、Imagen。适用场景：转录音频/视频、分析图像/截图、从PDF提取数据、处理YouTube视频、文本生成图像、实现多模态AI功能。