产品库

谷歌多模态AI模型Gemini,支持文本和图像的组合推理

Gemini是谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理,支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域都超越了之前的状态,成为迄今为止最强大的AI系统之一。它有三个不同规模的版本,可满足从边缘计算到云计算的各种需求。Gemini可以广泛应用于创意设计、写作辅助、问题解答、代码生成等领域。

一个集成了Gemini多模态直播和WebRTC技术的单文件应用

Gemini Multimodal Live + WebRTC是一个展示如何构建简单语音AI应用的示例项目，使用Gemini多模态直播API和WebRTC技术。该产品的主要优点包括低延迟、更好的鲁棒性、易于实现核心功能，并且兼容多种平台和语言的SDK。产品背景信息显示，这是一个开源项目，旨在通过WebRTC技术提升实时媒体连接的性能，并简化开发流程。

多模态AI模型，图像理解与生成兼备

Mini-Gemini是由香港中文大学终身教授贾佳亚团队开发的多模态模型，具备精准的图像理解能力和高质量的训练数据。该模型结合图像推理和生成，提供不同规模的版本，性能与GPT-4和DALLE3相媲美。Mini-Gemini采用Gemini的视觉双分支信息挖掘方法和SDXL技术，通过卷积网络编码图像并利用Attention机制挖掘信息，同时结合LLM生成文本链接两个模型。

基于多模态的 AI 模型，无缝进行图像、视频、音频和代码的推理

Google Gemini 是一款基于多模态的 AI 模型，能够无缝进行图像、视频、音频和代码的推理。Gemini 是 DeepMind 推出的最先进的 AI 模型，能够在 MMLU（大规模多任务语言理解）等各项测试中超越人类专家。Gemini 具有出色的推理能力，在各种多模态任务中取得了最先进的性能。

高性能多模态AI模型

Gemini Pro是DeepMind推出的一款高性能多模态AI模型，专为广泛的任务设计，具有高达两百万token的长上下文窗口，能够处理大规模文档、代码、音频和视频等。它在多个基准测试中表现出色，包括代码生成、数学问题解决和多语言翻译等。

将 Google Gemini 引入到 ComfyUI 中，用于生成提示词和对话

ComfyUI-Gemini 是一款将 Google Gemini 模型集成到 ComfyUI 中的插件。用户可以利用 Gemini 模型生成提示词、与之对话聊天,并且支持多模态输入如图像。该插件免费使用,提供隐式和显式两种 API Key 使用方式,适合个人和团队使用。

最强大的代理和编码模型，具备最佳的多模态理解能力。

Gemini 3 Pro Preview 是 Google 最新推出的最强大模型，旨在解决复杂的代理问题，具备强大的编码能力和先进的推理能力。该模型相较于之前的版本，在复杂指令跟随方面有显著改进，输出效率更高。它具有 1M 的上下文窗口和多模态理解能力，适用于各种数据类型的输入，如音频、图像、视频、文本和 PDF。

Gemini Omni是多页AI视频生成工作区，可将提示转化为视频。

Gemini Omni是一个多页的AI视频生成工作区，由APIMart Sora 2提供支持。它将提示转化为视频系统，适用于进行提示驱动的视频实验、落地页演示、创作者概念和快速故事板循环等场景。其重要性在于为用户提供了一个便捷、高效的视频创作平台，让用户能够快速将创意转化为视频。主要优点包括实时进度跟踪、多种分辨率和宽高比支持、支持多种使用场景等。产品定位为面向营销人员、创作者、教育工作者和产品团队等，助力他们快速进行视频创作实验。文档中未提及价格信息。

AI多模态数据绑定

ImageBind是一种新的AI模型，能够同时绑定六种感官模态的数据，无需显式监督。通过识别这些模态之间的关系（图像和视频、音频、文本、深度、热成像和惯性测量单元（IMUs）），这一突破有助于推动AI发展，使机器能够更好地分析多种不同形式的信息。探索演示以了解ImageBind在图像、音频和文本模态上的能力。

Google DeepMind旗舰多模态AI，1M上下文，具备博士级推理与高级编码能力

Gemini 3 Pro是Google DeepMind基于Transformer架构构建的多模态基础模型。其重要性在于为各领域提供强大的AI支持，能处理多种类型的输入和输出。主要优点包括博士级推理能力、100万输入token的长上下文处理、多模态深度理解、智能编码和动态思维等。产品背景是Google为满足复杂任务需求而研发。价格方面，API输入2美元/100万token，输出12美元/100万token（≤200k token多模态价格不同），Google AI Plus月费19.99美元可获得应用和Workspace试用机会。定位是用于代理任务和“氛围编码”等复杂智能任务的高端模型。

多模态AI开发助手

DevMind AI旨在无缝整合文本、图像、视频、音频和代码等多种模型的推理能力，帮助您像专业人士一样进行开发！DevMind AI通过AI功能增强您的项目。

使用AI工具一键去除Gemini标志，快速清洁AI生成艺术图像。

Gemini Logo Remover是一款在线工具，用户可通过它轻松去除图像文件中的Gemini标志。借助先进的AI技术，该工具能够在去除水印的同时精准保留图像的每一个细节。其主要优点在于操作便捷，用户只需一键即可完成标志去除；检测智能，能精准识别标志；边缘保存出色，确保图像质量不受影响；还支持批量处理，提升工作效率。产品背景是随着AI生成艺术的普及，用户对去除生成图像中水印的需求增加。关于价格页面未提及。定位是为有去除Gemini标志需求的用户提供高效、便捷的解决方案。

一键部署您的私人Gemini应用

TalkWithGemini 是一款支持一键免费部署的跨平台应用，用户可以通过这个应用与 Gemini 模型进行交互，支持图片识别、语音对话等多模态交互方式，提高工作效率。

一个多模态 AI 视频生成器，生成同步原生音频的 4K 电影片段。

Gemini Omni 是一个先进的多模态 AI 视频生成器，能够将文本、图像、音频和视频整合到一个模型中，实现高质量的 4K 电影级视频输出。其核心优势在于实时同步音频、角色连续性和便捷的聊天式编辑功能，适合制作广告、短片、教育内容等。定价灵活，适应不同用户需求。

Google推出最智能的Gemini 3模型，助力实现任何想法

Gemini 3是Google推出的最新AI模型，由Google和Google DeepMind团队合作打造。它代表了先进的人工智能技术，具有高度的智能和强大的处理能力。其重要性在于能够帮助用户将各种想法变为现实。主要优点包括智能程度高、能适应多种任务场景。目前页面未提及价格信息。该模型定位为满足用户在不同领域的需求，如规划、创作、学习等。

Gemini 2.5 是谷歌最智能的 AI 模型，具备推理能力。

Gemini 2.5 是谷歌推出的最先进的 AI 模型，具备高效的推理能力和编码性能，能够处理复杂问题，并在多项基准测试中表现出色。该模型引入了新的思维能力，结合增强的基础模型和后期训练，支持更复杂的任务，旨在为开发者和企业提供强大的支持。Gemini 2.5 Pro 可在 Google AI Studio 和 Gemini 应用中使用，适合需要高级推理和编码能力的用户。

Gemini Pro 是 Google DeepMind 推出的高性能 AI 模型，专注于复杂任务处理和编程性能。

Gemini Pro 是 Google DeepMind 推出的最先进 AI 模型之一，专为复杂任务和编程场景设计。它在代码生成、复杂指令理解和多模态交互方面表现出色，支持文本、图像、视频和音频输入。Gemini Pro 提供强大的工具调用能力，如 Google 搜索和代码执行，能够处理长达 200 万字的上下文信息，适合需要高性能 AI 支持的专业用户和开发者。

谷歌原生多模态AI视频生成与编辑工具，支持文本、图像和音频一键同步创作。

Gemini Omni Flash 是在 2026 年 Google I/O 大会上推出的原生多模态视频生成与编辑模型。该产品代表了AI视频领域的前沿技术，其核心突破在于摒弃了传统工具分步处理各模态的限制，能够在单个推理周期内同时理解和处理文本、多张图像、音频及视频片段，并生成具备真实物理规律和完美同步音效的电影级视频。产品的市场定位是高效、专业、音视频一体化的创意伙伴。价格方面提供免费额度供用户试用，并设有付费订阅方案（目前提供限时五折优惠），旨在全面降低视频内容创作者的生产门槛与时间成本。

前沿的多模态大型语言模型

NVLM-D-72B是NVIDIA推出的一款多模态大型语言模型，专注于视觉-语言任务，并且通过多模态训练提升了文本性能。该模型在视觉-语言基准测试中取得了与业界领先模型相媲美的成绩。

多模态语言模型

SpeechGPT是一种多模态语言模型，具有内在的跨模态对话能力。它能够感知并生成多模态内容，遵循多模态人类指令。SpeechGPT-Gen是一种扩展了信息链的语音生成模型。SpeechAgents是一种具有多模态多代理系统的人类沟通模拟。SpeechTokenizer是一种统一的语音标记器，适用于语音语言模型。这些模型和数据集的发布日期和相关信息均可在官方网站上找到。

利用Gemini API生成小型应用

Gemini Coder是一个基于Gemini API的项目，旨在通过一个简单的提示生成小型应用。该项目完全基于llamacoder，并使用了Next.js、Tailwind等技术栈。它允许用户快速创建应用，并且可以本地运行和测试。作为一个个人项目，它并非Google官方项目，但展示了利用先进API进行应用开发的潜力。

实时多模态内容审核平台

Seyft AI 是一个实时的多模态内容审核平台，能够过滤文本、图像和视频中的有害和不相关内容，确保合规性，并为不同的语言和文化背景提供个性化解决方案。该平台的主要优点包括实时审核、多语言支持、无需人工干预的图像和视频审核，以及易于集成的API。Seyft AI 的背景信息显示，它旨在帮助企业保持数字空间的清洁和安全，适用于需要内容审核的各种应用场景。

一个基于Gemini 2.0 Flash模型的Perplexity风格AI搜索引擎。

Gemini-Search是一个模仿Perplexity的AI搜索引擎，它利用了Google的Gemini 2.0 Flash模型和Google搜索API，能够提供实时的网络搜索结果和引用，帮助用户快速获取准确的信息。该产品的主要优点在于其快速的响应时间和清晰的用户界面，使其在信息检索方面具有很高的效率。该产品适用于需要快速获取信息的用户，如研究人员、学生和专业人士。产品目前是免费的，适合各种规模的用户使用。

基于Gemini 2.0的机器人模型，将AI带入物理世界，具备视觉、语言和动作能力。

Gemini Robotics是Google DeepMind推出的一种先进的人工智能模型，专为机器人应用而设计。它基于Gemini 2.0架构，通过视觉、语言和动作（VLA）的融合，使机器人能够执行复杂的现实世界任务。该技术的重要性在于它推动了机器人从实验室走向日常生活和工业应用的进程，为未来智能机器人的发展奠定了基础。Gemini Robotics的主要优点包括强大的泛化能力、交互性和灵巧性，使其能够适应不同的任务和环境。目前，该技术处于研究和开发阶段，尚未明确具体的价格和市场定位。

多模态语言模型预测网络

Honeybee是一个适用于多模态语言模型的局部性增强预测器。它能够提高多模态语言模型在不同下游任务上的性能,如自然语言推理、视觉问答等。Honeybee的优势在于引入了局部性感知机制,可以更好地建模输入样本之间的依赖关系,从而增强多模态语言模型的推理和问答能力。

Gemini API的指南和示例集合

Gemini API Cookbook是一个包含Gemini API使用指南和示例的集合，旨在帮助开发者快速上手并使用Gemini API。这些示例大多数是用Python编写的Colab Notebooks，可以直接在Google Colab中打开或下载到本地环境中运行。

将OpenAI协议转换为Google Gemini Pro协议

Gemini-OpenAI-Proxy是一个代理软件。它旨在将OpenAI API协议调用转换为Google Gemini Pro协议,以便使用OpenAI协议的软件可以在不改变感知的情况下使用Gemini Pro模型。如果您有兴趣使用Google Gemini但不想修改软件,Gemini-OpenAI-Proxy是一个很好的选择。它允许您轻松地集成Google Gemini的强大功能,而无需进行任何复杂的开发工作。

多模态智能分块库

Semantic Chunkers 是一个多模态分块库，用于智能地对文本、视频和音频进行分块，提高AI和数据处理的效率和准确性。

消除幻觉，多模态RAG不忘信息，智能编排前沿模型，任务表现卓越

Sup AI是一款AI平台，具备实时对数概率置信度评分消除幻觉、多模态检索增强生成（RAG）避免遗忘、智能编排前沿模型等功能。其主要优点在于能在各种任务中展现绝对优势，适用于全球用户。产品于2025年创立，总部位于美国加利福尼亚州山景城。提供多种价格方案，包括免费计划供学生和普通用户使用，Plus计划面向开发者，Pro计划针对高级用户，Super计划适用于研究人员和团队。

基于Omni AI Model的多模态AI视频生成器，支持多形式创作编辑。

Omni AI Video是基于强大的Omni AI Model构建的先进多模态视频生成系统。其重要性在于为创作者提供了一站式的AI视频创作解决方案。主要优点包括支持文本、图像、音频和视频输入，实现统一的多模态处理；无需切换工具，提高创作效率；输出高质量视频，适用于多种商业场景。产品背景是满足创作者对高效、多功能AI视频创作工具的需求。价格方面，有每日免费信用额度1 Credit，同时有不同的付费计划可供选择，价格即将上调，现在订阅可锁定低价。定位为面向创作者的一站式AI创意平台，提供7种顶级AI模型用于视频、图像、音乐和语音生成。