Gemini Decisions API 实测：跨文本图像音视频近实时问答
AI_Andrew · x · 2026-11-13
开发者 thorwebdev 演示了 Gemini Decisions API 的多模态能力：该 API 可同时处理文本、图像、视频、文档和音频，并能对音频内容近实时地回答问题。
他用它做了一个「动物叫声猜谜」小游戏：程序听到音频后近实时判断是哪种动物，展示该 API 在实时音频理解场景的可用性。帖子附有可试用的在线示例。
「多模态」频道最新
- Fable 5.2 把像素画写成可交互 3D 世界，鲸鱼亲自演示 — dfeinition · 2026-11-13
- Claude 经 MCP 搭 3D 场景,Nano Banana+Seedance 生成动作片预告 — azed_ai · 2026-11-13
- 扭曲流动的人像与城市:一组质感独特的 AI 生成影像 — gizakdag · 2026-11-13
- 开发者晒 AI 生成 3D 鸟类模型 WIP,羽毛细节逼真 — thespite · 2026-11-13
- 8GB 显存跑 MiniMax H3 视频生成遇运动画面拖影,求助无解 — CharacterSpinach3306 · 2026-11-13
- AI 重制《办公室》：黄仁勋入职 Dunder Mifflin 上演爆笑桥段 — AIandDesign · 2026-11-13