聯繫我們

課程簡介

多模態 Gemini 3 簡介

  • 跨越文本、圖像、音頻和視頻的能力
  • 模型選擇與端點概覽
  • 多模態推理的關鍵概念

處理文本與結構化輸入

  • 用於文本生成的提示策略
  • 元數據、上下文窗口與嵌入技術
  • 基於文本的多模態任務編排

圖像理解與視覺工作流程

  • 使用 Gemini 3 進行圖像分析與解釋
  • 構建視覺搜索和標籤工具
  • 建立圖像到文本及文本到圖像的交互

音頻輸入處理

  • 語音識別與轉錄工作流程
  • 音頻事件檢測與解釋
  • 將音頻與文本和視覺輸入整合

視頻智能與場景分析

  • 逐幀及連續視頻推理
  • 構建摘要和高光提取工具
  • 基於視頻的自動化內容工作流程

設計多模態應用架構

  • 在單一管道中結合多種輸入類型
  • 延遲、成本與計算考量
  • 可擴展多模態系統的實踐指南

構建多模態應用原型

  • 實操創建多模態原型
  • 通過提示工程快速迭代
  • 測試並優化用戶體驗流程

部署多模態解決方案

  • 部署策略與環境設置
  • 監控實際運行性能
  • 安全性與合規性考量

總結與後續步驟

最低要求

  • 了解現代 AI 概念
  • 具備 Python 或 JavaScript 經驗
  • 熟悉 REST API

適用對象

  • 設計師
  • 內容創作者
  • 技術產品團隊
 14 小時

客戶評論 (1)

課程分類