你可能天天用 Gemini 查资料写代码，却没把它的视频解析能力用明白。Gemini 3.5 Pro 的原生多模态，处理视频的效率和精度，和转字幕再分析的方案完全不是一个量级。 别拿它当字幕提取工具，太浪费了
很多人用 Gemini 分析视频，本质还是把它当自动字幕工具，先转文字再总结。说真的，这完全没发挥出原生多模态的优势。
普通的视频转文字方案，只能提取音频里的对话，画面里的 PPT、图表、人物动作、镜头细节全丢了。Gemini 3.5 Pro 不一样，它是从底层同时处理视觉帧和音频轨道，每秒抽一帧做编码，音画在模型内部就做了对齐。你上传一段产品发布会，它能一边记演讲者说的功能参数，一边对应上屏幕里演示的界面，甚至能指出哪个时间点出现了具体的操作步骤，连 PPT 上的小字图表都能读出来。
我之前处理过一段 40 多分钟的技术分享，没有字幕，PPT 上全是架构图。换别的工具得先转语音再自己对着视频核对图表，扔给 Gemini 3.5 Pro，直接就能输出带时间戳的结构化笔记，每个架构方案对应的优缺点、演讲者补充的细节，全给你对应得明明白白。这种音画同步理解的能力，才是它真正的核心价值。
基础提问的几个小细节，准确率直接提一档
很多人上传完视频，就丢一句 “总结一下这个视频”，出来的内容往往又散又浅，抓不住重点。其实只要改改提问方式，效果差很多。
别只说 “总结视频”，把你的需求拆具体。比如做会议纪要，就加上 “按讨论主题分段，每段标注起止时间，单独列出待办事项和责任人”；拆解教程视频，就要求 “按操作步骤拆分，标出每个步骤的注意事项和易错点”。你给的框架越清晰，它输出的内容就越贴合你的需求，不用你事后再整理半天。
问具体问题比泛泛总结准得多。与其让它通篇总结，不如直接问 “第 15 分钟提到的优化方案，和前面讲的旧方案有什么区别”，或者 “视频里出现的三个工具，各自的适用场景是什么”。带着明确的问题去查，模型会精准定位到对应时间段的画面和音频，答案的准确度和细节丰富度，比笼统总结高好几个档次。
上传也有小讲究。本地视频优先用 MP4 格式，兼容性最好；免费版单文件别超过 2GB，超过的话要么压缩要么用付费版的 File API。YouTube 链接只能传公开视频，私享和未列出的传不了，别白忙活。
几个进阶玩法，效率直接翻倍
掌握基础用法之后，有几个很少有人提的技巧，用熟了处理视频素材的效率能翻几倍。
时间戳定位是真的香。碰到一两个小时的长视频，你不用自己拉进度条找片段。直接告诉它 “找出所有提到‘成本优化’的片段，标出对应的时间戳”，它能把全片所有相关的位置都给你列出来，点进去就能看对应内容。我刷行业会议录像的时候，常用这个办法筛重点，原本要花一两个小时看完的视频，十几分钟就能抓完核心信息。
它一次最多能同时处理 10 个视频，这个功能很多人都没发现。你可以同时上传几个同主题的竞品发布会、不同讲师的教程，直接让它做横向对比。比如 “对比这三个产品发布会上提到的核心功能差异，整理成表格”，不用你一个个看完再手动汇总，省下来的时间真的很多。
长视频反复提问的话，一定要用上上下文缓存。同一个视频你第一次上传解析之后，后面再追问，不用重新计算全部 token，不仅速度快，成本也能降一大截。适合那种需要反复拆解的深度教程，你可以一章一章慢慢问，不用每次都重传视频。
还有个很实用的小技巧，外语视频不用单独翻译。直接在提示词里加一句 “用中文输出总结，专业术语保留原文”，它边理解内容边就给你翻译好了，口音重、没有字幕的视频也能处理，比你先转字幕再翻译省一步。
参数调对了，省成本还不丢精度
如果你用 API 调用，有个参数很容易被忽略，调对了能省不少钱，就是 media_resolution。
默认的高分辨率模式，每一帧要消耗 258 个 token，加上音频每秒 32 个，一秒钟就要差不多 300token。如果只是梳理剧情、提取对话、概括大意，完全没必要用高分辨率。切成低分辨率模式，每帧只要 66 个 token，加上音频每秒也就 100 个左右，token 消耗直接砍了三分之二，速度还更快。
什么时候才需要开高分辨率？就是视频里有密集的文字、细小的图表、产品细节的时候。比如分析带大量数据的产品演示 PPT、看代码录屏里的代码细节、识别产品上的参数标识，这时候开高分辨率，识别精度会明显提升。
我自己的习惯是，第一次先开低分辨率做整体总结，定位到有细节的时间段之后，再单独针对那一段开高分辨率深挖。既保证了关键信息的准确度，又不会在无关的片段上浪费 token。长期用下来，成本能省一半都不止。
这些坑我替你踩过，别再绕远路
说几个实际用的时候容易踩的坑，都是我试过好几次才摸明白的。
免费版的限制要心里有数。网页端免费用户的视频时长限制比 API 严，太长的视频传不上去；API 免费版每天 YouTube 视频总时长不能超过 8 小时，单文件最大 2GB。如果是高频使用，还是开付费版更省心，额度和文件上限都高很多。
别全信一闪而过的数字。模型对快速闪过的价格、参数、日期这类数字，偶尔会识别出错。涉及到关键数据，最好让它标出对应的时间戳，你自己拉到对应位置核对一眼，避免出错。尤其是财报、产品参数这类对数字精度要求高的内容，别直接照搬。
背景音太杂的视频，效果会打折扣。如果视频里有很重的环境噪音、多人同时说话，音频识别的准确率会下降。尽量传清晰度高、人声干净的片源，实在不行的话，可以提前做一下音频降噪，再上传效果会好很多。
别一次塞太多任务。又要总结又要翻译又要拉片分析还要做表格，任务堆得太多，输出反而容易乱。拆成两三次提问，每次聚焦一个目标，出来的质量高得多，也不容易漏内容。
视频解析是 Gemini 3.5 Pro 很容易被低估的能力。多试几次不同的提问方式，很快就能找到适合自己的用法，处理素材的效率能提一大截。
AI 速览
