子问包括：最长几小时、能不能说话人分离、是否支持实时。实时语音是另一条产品线，不要和批处理理解混写。
适合的任务#
- 会议摘要与待办抽取。
- 教程视频里定位某一步。
- 短音频转写后的问答。
怎么准备媒体#
去掉无声片头、统一采样率、避免叠多层水印。需要精确到秒时，在提示里要求时间戳，并抽查两处。
不要指望的事#
它不是法庭鉴定，也不能保证听清重叠人声。敏感内容遵守当地录音同意规定。
要点#
- 一次一类任务。
- 长片先切片。
- 原文件才是证据。
谷歌多模态大模型：视频与音频理解能力
Gemini 的多模态能力覆盖图片、视频和音频：可以摘要会议、定位画面中的操作、转写并回答“第几分钟说了什么”。有效用法是一次只问一类任务，并控制媒体长度。超长原片先切片或抽关键帧。需要法律级证据时，模型输出只能当索引，原文仍以文件本身为准。企业上传走 Vertex 的数据条款，不要用个人 Studio 传客户录音。
- 视频 / 音频 输入
- 摘要 / 时间戳 输出
- 以原文件为准 证据
该内容对您有帮助吗？
感谢反馈。