把本地视频交给 Gemini 直传识别，返回按时间轴分段的详细内容描述（画面 + 音轨）。

支持 mp4/mov/webm/avi/mkv 等常见视频格式，也直接支持 .gif（以原格式感知完整动画，不抽帧）。

Args: path: 本地视频文件的路径（建议用完整绝对路径）。 prompt: 自定义提示词。传了就【完全覆盖】默认模板（此时 persona/hint 参数被忽略）。 不传则使用内置的“翻译给纯文字 LLM 看”的详细描述模板。 persona: 可选的人设。传了会在默认提示词开头附体一行“你的人设是：…”， 让 Gemini 以该人格来解说视频。仅在未提供 prompt 时生效。 hint: 可选的前置线索——人类观看者对这个视频的形容或背景信息 （如“这是在用鸡蛋下五子棋”“声音对应表情包”）。会注入默认模板， 帮助模型理解抽象、玩梗类内容；同时要求模型以实际所见为准、不迎合虚构。 仅在未提供 prompt 时生效。 low_resolution: 低清模式。开启后约 100 token/秒（标清约 300 token/秒），长视频省钱， 但画面细节会变粗。默认关闭。 max_output_tokens: 最大输出 token 数，默认 30000。内部有 2048 的下限保护 （Gemini 的“思考”token 也计入这里；默认思考等级为 high，思考会占用 数千 token，太小会把正文挤没。思考等级可用环境变量 GEMINI_THINKING_LEVEL 调整）。

Returns: Gemini 生成的视频内容描述文本（末尾可能带用量统计或截断提示）。

从【网络直链】下载、或从【YouTube 视频页】云端直读视频再交给 Gemini 识别，返回按时间轴分段的中文描述。

两种输入都支持：

• 视频文件直链（以 .mp4/.mov/.webm 等结尾、点开就是视频本体）：下载到服务器 temp_media/ 临时目录， 识别完就删掉。

• ✅ YouTube 视频页链接（youtube.com/watch、youtu.be 短链、shorts 等）可以直接传，服务器不下载、 由 Gemini 云端直读；仅支持公开视频（私享/会员/年龄限制的不行），免费层每天有 YouTube 总时长限额， 长视频照常按秒计费。

⚠️ B站/抖音/TikTok 等其他平台页面仍不支持（那需要 yt-dlp 之类工具，本服务器暂不支持）。 若给的是这类平台页面链接、或链接打开是网页而非视频文件，会明确报错。

其余参数（prompt/persona/hint/low_resolution/max_output_tokens）含义与 describe_video 完全一致。

Args: url: 视频文件的 http/https 直链，或 YouTube 视频页链接（youtube.com/watch、youtu.be、shorts）。 prompt: 自定义提示词，传了就完全覆盖默认模板（此时 persona/hint 被忽略）。 persona: 可选人设，仅在未传 prompt 时生效。 hint: 可选前置线索，仅在未传 prompt 时生效。 low_resolution: 低清省钱开关，默认关闭。 max_output_tokens: 最大输出 token，默认 30000（内部有 2048 下限保护）。

Returns: Gemini 生成的视频描述文本（末尾可能带用量统计或截断提示）。

估算把某个本地视频交给 Gemini 识别大概要花多少输入 token，让你发大视频前心里有数。

优先用 ffprobe 读真实时长；读不到（没装 ffprobe / 格式怪）则按文件大小粗估并注明。

Args: path: 本地视频文件路径。

Returns: 一段中文预估说明（文件大小、时长、标清/低清 token 估算、上传通道）。

把一张【图片】、或【视频的某一帧】作为图片内容直接返回，让调用方模型亲眼看到画面。

• path 是图片（png/jpg/jpeg/webp/gif）：直接返回该图（长边超出 max_dimension 会等比缩小）。 GIF 只返回首帧（想感知整段动画请用 describe_video）。

• path 是视频：给了 timestamp（秒）就抽那一帧；没给则抽正中间那一帧。需要本机有 ffmpeg。

与 describe_video 的分工：describe_video 让 Gemini 看视频写【文字】；view_media 把【画面本身】投给 你（调用方模型）看。stdio / HTTP 模式都可用。

Args: path: 本地图片或视频文件路径。 timestamp: 仅对视频有效，抽取该秒（float）的一帧；不填则取中间帧。 max_dimension: 返回图片的长边上限像素，默认 1024（超出等比缩小，不放大；范围 16~4096）。

Returns: 一张图片内容（MCP ImageContent）；出错时返回一句中文说明。

获取"把文件推到本服务器"的上传地址——用于把 claude.ai 聊天里上传/沙盒里生成的文件搬到服务器再识别。

典型流程（在 claude.ai 的代码沙盒里执行）： 1. 调本工具拿到上传地址； 2. requests.post(上传地址, files={"file": open("/mnt/user-data/uploads/xxx.mp4", "rb")})； 3. 用响应 JSON 里的 saved_path 调 describe_video 或 view_media。

Returns: 上传地址与用法说明；本地 stdio 模式下没有上传端点，会返回相应提示。