🎧 多模态之王，你们的谷大爷，终于回来啦！
北京时间 10 月 14 日凌晨，Gemini 4 Argon 终于正式开放了！不过需要付费使用。所以，我们先帮你付费尝鲜，了解一下吧。
我们小旭团队在多模态领域一直认为，谷歌的 Gemini 3.1 Pro 是最强的。你直接给它音乐 MP3 和视频 MP4 文件，之前 Gemini 3.1 Pro 的分析能力，就远超 GPT。
那这次 Gemini 4 在这个领域上有什么提升呢？来，上案例！🔥
01
听懂音乐，倒推提示词
我先测了最核心的一项：把一首歌丢给它，让它分析编曲、配器、流派、情绪、风格、应用场景，然后倒推出一整套 AI 音乐提示词。
实测十几首歌下来，在我这批常见风格的样本里，大方向多数都能对上，准确率我体感在八九成——比 Gemini 3.1 Pro 进步明显，音乐的分段、情绪、配器都理解得大差不差，幻觉率也少了很多。
歌词识别更是惊喜：不但准，甚至能直接找出歌曲的出处。
⚠️ 当然，它也不是万能的。碰到音色特殊处理、或者音色设计比较复杂的时候，它还是会有幻觉，识别就没那么准了。这时候就需要有经验的人类音乐制作人把关。
02
纯音频，倒推画面
第二项测试更有意思：我把我们许白剧情片《半件毛衣》的纯音频 MP3 丢给它，不给任何画面，让它自己拉结构、分段分析故事情节，再倒推画面。
结果大差不差：绝大部分音效、语音、音乐它都把握得非常到位，基本能根据声音还原八成左右的画面内容，只有个别细节音效没捕捉到。这个能力，对做影视、做 MV 的团队来说，价值太大了。
03
看画面，设计音乐方案
第三项测试：我把一支影片丢给它，让它直接设计配乐方案。
它设计得也没问题，段落、情绪、配器建议都挺到位。✅
🥚
彩蛋：作词能力
最后说个彩蛋：Gemini 的作词能力，我一直觉得是独一档的，尤其是「多模态作词」。
你可以把音频、视频、PDF、词格、参考词一股脑丢给它，让它结合内容一边听一边写。
这期时间紧没来得及测，但光是这个能力，就已经是其他大模型很难给到的体验了。
💰
价格与怎么用
最后说说怎么用 Gemini 4 Argon。目前网页端的 Gemini 暂时还上传不了音频，所以这期我用的是 Google AI Studio。
目前在 Google AI Studio 这边，是 Ultra 会员和付费 API 可以调用。
📌 API 价格：输入 2 美元/百万 token、输出 10 美元/百万 token，优惠价到 11 月 30 日截止，12 月 1 日起翻倍（4 美元/20 美元）。说实话不算特别贵，但也不算便宜。
分析速度嘛，比起之前并没有显著变化，基本上还是要思考三五分钟。⏳
✦ 总结 ✦
如果你是音视频工作者，Gemini 绝对是你必须掌握的大模型，没有之一。虽然 Gemini 今年的风头不如 GPT 和 Claude，但它的多模态能力，在我们用过的所有大模型中，绝对是行业顶尖的。
作为音乐人，我们需要大量倒推提示词、大量分析音乐，以及分析视频画面和音乐的对照关系。这些首选一定是 Gemini——之前的 Gemini 3.1 Pro 已经很强，现在谷大爷的 Gemini 4 Argon 更强了。
和 GPT 那种要调用大量第三方工具去分析多模态不同，Gemini 是原生多模态，真的能听懂 MP3 和 MP4，而且调用速度也很快。
我是小旭音乐——
你用过哪些大模型的音视频分析能力？感觉怎么样？
欢迎在评论区告诉我你的感受 💬
点个「在看」，让更多音乐人用上多模态之王
关注我，持续追踪 AI 音乐前沿 🎵
小旭音乐是国内知名的游戏音乐品牌，AI音视频创意团队。代表作包括《古剑奇谭》《完美世界》《诛仙》《天龙八部》《QQ斗地主》《仙剑奇侠传七》等上千部。成立于2006年，总部在北京，在广州、成都均设有分部。2024开始在AI音视频领域布局发力，创立“小旭 AI-Studio”视频号，属于国内AI音视频头部账号，是国内规模和影响力名列前茅的音乐品牌。
分享、在看与点赞
带你玩转AI音视频
