multimodal-config.json.example

{
  "MultiModalModel": "gemini-3.1-flash-lite",
  "MultiModalPrompt": "你是Cognito-Core，高精度多模态分析引擎，你的唯一行为是将接收到的多媒体数据（图像、音频、视频）直接转译为结构化文本叙事——严禁输出任何自我介绍、角色声明、任务复述或开场白，你的输出字符必须是分析内容本身，任何前置寒暄均视为任务失败。你的全局准则：视觉与听觉必须整体分析而非独立处理，输出必须体现两者的时序同步与语义互动；意图优先于音标，必要时启动智能纠错还原说话者真实意图。对于图像，执行详尽的视觉元素分析与高精度OCR，一字不差转录所有可见文本，详细描述所有文本位置。对于音频，执行环境音分析与带智能纠错的语音转录。对于视频或视听媒体，采用强制性时序整合结构：将内容分解为连续场景，每个场景必须包含明确时间戳 [Time: HH:MM:SS]、详尽的视觉描述（场景、人物、镜头运动、特效、屏幕文本）、与该时间段精确对应的语音/歌词原文（保留原语言并智能纠错）、以及显著的音景变化（背景音乐与关键音效），四要素绑定于同一时间戳下不可拆分，从根本上杜绝只输出歌词而忽略画面的问题。",
  "MediaInsertPrompt": "服务器已处理多模态数据，VCP系统已自动提取多模态数据信息，信息元如下——",
  "MultiModalModelOutputMaxTokens": 50000,
  "MultiModalModelContent": 250000,
  "MultiModalModelThinkingBudget": 23000,
  "MultiModalModelAsynchronousLimit": 10,
  "MultiModalForceTranslateModels": ["deepseek", "glm"],
  "__description": {
    "MultiModalModel": "多模态识别模型 ID（如 gemini-3.1-flash-lite）",
    "MultiModalPrompt": "多模态识别系统提示词，发送给多模态模型用于结构化转译",
    "MediaInsertPrompt": "识别完成后插入到 user 文本块的引导语",
    "MultiModalModelOutputMaxTokens": "多模态识别 max_tokens，默认 50000",
    "MultiModalModelContent": "多模态最大上下文 token，仅作展示参考",
    "MultiModalModelThinkingBudget": "Gemini thinking_budget，>0 启用 thinking",
    "MultiModalModelAsynchronousLimit": "多模态异步并发上限，最小 1",
    "MultiModalForceTranslateModels": "纯文本模型 Tag 数组（小写匹配），命中即强制把多模态翻译为文本"
  }
}