Chuyển file ghi âm hoặc video thành văn bản kèm nhãn người nói và mốc thời gian, đồng thời xử lý tiền xử lý audio cho ASR.
Skill CLI dùng API Gemini Web (bị dịch ngược) để tạo văn bản, tạo ảnh, nhận ảnh tham chiếu và hội thoại nhiều lượt.