Gemini Media MCP

双子座媒体mcp

  

通过Google Gemini API和Vertex AI生成人工智能媒体的统一Go MCP服务器。


特性

• 图像生成 --文本到图像，具有可配置的宽高比和分辨率（1K/2K/4K）
• 图像编辑 --使用自然语言提示修改现有图像
• 多参考成分 --最多可将3张参考图像与风格/内容指导相结合
• 视频生成 --通过Veo 3.1 Lite、快速和标准层将文本转换为视频
• 图像转视频 --将静止图像动画化为视频片段
• 视频扩展 --用于较长内容的链式剪辑（快速和标准层）
• 文本到语音 --使用可配置的语音和语言生成口语音频
• 音乐发生器 --通过Lyria 3播放的AI音乐（30秒片段或带人声、结构控制的完整歌曲）
• 单个二进制 --无运行时依赖关系，通过stdio传输运行
• 提供者抽象 --用于图像、视频、音频和模型操作的后端无关接口
• 双后端 --支持Gemini API（API密钥）和Vertex AI（项目证书）

快速开始

# Install
go install github.com/mordor-forge/gemini-media-mcp/cmd/gemini-media-mcp@latest

# Configure (Gemini API; either variable name works)
export GEMINI_API_KEY="your-api-key"
# export GOOGLE_API_KEY="your-api-key"

# Or configure (Vertex AI)
export GOOGLE_CLOUD_PROJECT="your-project-id"
export GOOGLE_CLOUD_LOCATION="us-central1"

# Run directly (stdio transport)
gemini-media-mcp

然后将其添加到您的MCP客户端中——请参阅 MCP客户端配置 在......下面

配置

\*其中之一 GOOGLE_API_KEY 或 GOOGLE_CLOUD_PROJECT 必须设置。如果同时设置了两者，则API键优先（避免在 GOOGLE_CLOUD_PROJECT 在其他工具的外壳中设置）。

如果您不确定哪个后端处于活动状态，请致电 get_config 从MCP客户端确认所选后端和输出目录。

可用工具

异步工具立即返回操作ID。使用 video_status 要轮询完成情况，则 download_video 以检索文件。

模型层

图像

这两个层都支持1K、2K、4K分辨率和1:1、2:3、3:2、3:4、4:3、4:5、5:4、9:16、16:9、21:9的宽高比。

视频

支持的纵横比为 16:9 和 9:16支持的持续时间为 4, 6，以及 8 秒。Lite支持 720p 和 1080p快速和标准支持 720p, 1080p，以及 4K.视频扩展(extend_video)仅在快速和标准层上可用，扩展层必须与原始版本匹配。

音频（TTS）

这 generate_audio 该工具将文本转换为语音。它支持：

• 语音选择 --从预构建的声音中选择，如 Aoede, Kore, Puck以及更多。违约： Aoede
• 语言 --设置语言代码（例如。， en-US, it-IT, cs-CZ, de-DE).违约： en-US
• 自然语音 --通过适当的节奏和语调生成富有表现力、听起来自然的语音

输出保存为原始PCM音频(audio/L1624kHz采样率）。该文件可以使用以下工具播放 ffplay 或转换为其他格式：

# Play directly
ffplay -f s16le -ar 24000 -ac 1 ~/generated_media/audio-2026-04-02T12-20-12-0603.pcm

# Convert to WAV
ffmpeg -f s16le -ar 24000 -ac 1 -i audio.pcm audio.wav

# Convert to MP3
ffmpeg -f s16le -ar 24000 -ac 1 -i audio.pcm audio.mp3

音乐（Lyria）

这 generate_music 该工具根据文本描述创建人工智能生成的音乐。功能包括：

• 类型和风格 --指定任何流派、乐器、BPM、键/音阶、情绪
• 结构控制 --使用以下标签 [Verse], [Chorus], [Bridge], [Intro], [Outro]
• 自定义歌词 --包括带有声乐曲目分段标记的歌词
• 时间戳控制 -- [0:00 - 0:10] Intro: gentle piano... 用于精确的分段计时
• 多语言 --提示语言决定输出语言
• 高保真 --48kHz立体声MP3输出

所有生成的音乐都带有SynthID水印。

示例提示：

# Instrumental
"A gentle acoustic guitar melody in C major, 90 BPM, calm and peaceful indie folk"

# With structure
"[Intro] Ambient synth pad, ethereal
[Verse] Lo-fi hip-hop beat, mellow piano chords, vinyl crackle
[Chorus] Uplifting, add strings and gentle drums
[Outro] Fade out with reverb"

# With lyrics
"Upbeat pop song, 120 BPM, major key
[Chorus] We're dancing in the light / Everything feels right / Under stars so bright tonight"

您可以传递层名称(lite, fast, standard, nb2, pro, tts, clip, full)或者直接输入原始型号ID。

MCP客户端配置

克劳德代码

添加到您的Claude Code MCP设置中(~/.claude/settings.json 或项目 .mcp.json):

{
  "mcpServers": {
    "gemini-media": {
      "command": "gemini-media-mcp",
      "env": {
        "GOOGLE_API_KEY": "your-api-key",
        "MEDIA_OUTPUT_DIR": "/path/to/output"
      }
    }
  }
}

使用其中之一 GOOGLE_API_KEY 或 GEMINI_API_KEY 在 env 上方挡块；两者都被接受。

或者，如果从源头构建：

{
  "mcpServers": {
    "gemini-media": {
      "command": "/path/to/gemini-media-mcp",
      "env": {
        "GOOGLE_API_KEY": "your-api-key"
      }
    }
  }
}

克劳德代码的同伴技能

这 skills/ 该目录包含在MCP工具之上提供交互式工作流的ClaudeCode技能。每种技能都指导克劳德完成针对特定媒体类型的快速工程、模型选择和迭代改进。

要安装技能，请将其目录复制到 ~/.claude/skills/:

cp -r skills/video-gen ~/.claude/skills/
cp -r skills/music-gen ~/.claude/skills/
cp -r skills/tts-gen ~/.claude/skills/
cp -r skills/gemini-image-gen ~/.claude/skills/

技能是可选的——MCP工具在没有技能的情况下也能工作。但这些技能增加了及时的工程指导、模型层建议和交互式审查工作流程，显著提高了输出质量。

从源代码构建

git clone https://github.com/mordor-forge/gemini-media-mcp.git
cd gemini-media-mcp
go build ./cmd/gemini-media-mcp/

二进制文件将在以下时间创建 ./gemini-media-mcp.

要运行测试，请执行以下操作：

go test ./...

贡献

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/your-feature)
3. 进行更改并添加测试
4. 跑 go test ./... 和 go vet ./...
5. 提交您的更改
6. 打开一个pull请求 main

许可证

阿帕奇-2.0