想要快速从一张截图中提取表格数据？想把会议录音直接转换成带有时间戳的待办清单？或者上传产品演示视频后自动识别客户质疑点？以往，这类需求通常需要分步骤处理：先借助OCR提取文字，再用ASR转录音频，最后手动整理。然而，Gemini的多模态能力已经能够端到端地完成这些任务，省去了中间的大量折腾。

图片理解：从识别文字到解析结构

具体而言，想要充分发挥这一能力，只需三步：

第一步，访问 gemini.google.com 或国内可用平台 ei.gptmax.cc，点击输入框右侧的回形针图标，上传一张JPG或PNG格式图片。单张图片建议控制在20MB以内，分辨率推荐1920×1080像素，这样可以确保模型解析时流畅不卡顿。

第二步，上传后立即给出明确指令。这里的关键在于：首句必须包含“图中”“该图像”等明确的指向性词语。例如，你可以说：“请聚焦图中右下角红色标注区域，识别所有可见字段名并输出为JSON。”这条指令的核心是提供具体指向，而不是泛泛地询问“这张图里有什么”，否则模型可能会先描述背景，浪费宝贵的分析时间。

第三步，如果图片包含手写内容或模糊截图，最好追加一句：“按原始字迹逐行还原，保留涂改痕迹和括号内批注。”这样可以防止模型擅自“修正”错别字，避免丢失关键信息。

文档理解：PDF截图与多页图文混合处理

处理文档时，有两种典型场景值得单独探讨。

场景一：处理单页截图（适合技术文档或报表）

直接将PDF的某页截图拖入输入框，然后输入：“提取图中表格全部单元格内容，保持行列结构，空单元格标为NULL；另起一段说明该表格在原文档中的逻辑作用。”这样一次性完成数据提取与上下文理解，效率显著提升。

场景二：多页图文联合分析（适合项目方案或合同）

先用PDF工具将关键页导出为PNG，最多上传三张。为每张图赋予有信息量的名称，例如“page_03_流程图”“page_07_接口定义”。然后在指令开头写上：“结合page_03_流程图与page_07_接口定义，指出流程图中缺失的异常分支处理环节，并定位到接口定义第几条。”只有这样，模型才能跨页关联信息，避免孤立分析每一页。

这里需要特别提醒：不要直接上传原始PDF文件。Gemini当前版本暂不支持直接解析PDF内嵌字体和矢量图，使用截图才是稳定的输入路径。

视频理解：从两小时录像里精准挖出决策点

处理长视频时，很多人习惯直接上传整个文件，结果模型长时间无响应。更可靠的做法是提前预处理。

第一步，使用剪映或系统自带编辑器裁剪掉片头片尾的黑场，将视频导出为MP4格式，分辨率不低于720p，单个文件控制在2GB以内。

第二步，提取关键帧。利用ffmpeg命令ffmpeg -i input.mp4 -vf "fps=1" frame_%04d.png抽取每一帧画面。然后手动筛选出发言起始、白板书写、PPT翻页等关键节点的3到5帧，并按照“frame_00:42s_客户提问.png”这样的格式重命名。

第三步，将这些关键帧全部拖入同一对话，输入类似指令：“对比这四帧画面，提取客户在00:42s提出的核心质疑，标注其在01:15s白板书写中对应的修改要求，并列出产品经理在02:30s PPT翻页时给出的三点回应。”这样模型就能精准定位到具体时间点，而无需在整个录像里大海捞针。