Tóm tắt nhanh:
ak-ai-multimodalđọc ảnh, PDF, audio, video và tạo ảnh, video, giọng đọc, nhạc. Việc xem ảnh và tài liệu thì model đang chạy làm trước; tạo media hay xử lý âm thanh thì nó gọi CLI Multix. Nó không bao giờ hỏi API key: thiếu key thì nói tên biến cần đặt rồi dừng.
Công khai: mình là maintainer của AgentKit và có quan hệ affiliate: link AgentKit trong bài là link affiliate, mua qua link này bạn được giảm 30%.
Tóm tắt
Dùng khi bạn cần lấy chữ hay số liệu từ ảnh, phiên âm một file ghi âm, hoặc tạo ảnh, video ngắn, giọng đọc, nhạc nền. Không cần gọi dịch vụ ngoài khi model đang chạy đã nhìn được file: skill tự đọc trong phiên.
flowchart LR
A["File media hoặc yêu cầu tạo media"] --> B["ak-ai-multimodal"]
B --> C["Model đang chạy đọc file"]
B --> D["Multix tạo hoặc xử lý, ra file"]
B --> E["Dừng, nêu key hoặc năng lực còn thiếu"]
D --> F["ak-project-organization nếu cần gom file"]Bốn khái niệm cần nắm:
| Khái niệm | Câu hỏi | Ví dụ |
|---|---|---|
| Nhìn bằng model đang chạy trước | Việc này có cần gọi dịch vụ bên ngoài không? | Ảnh hoá đơn cần đọc chữ: model nhìn được thì đọc thẳng trong phiên, không gọi Multix, không cần key |
| Key phải khớp loại việc | Key nào mở được việc nào? | Phiên âm cần GEMINI_API_KEY, giọng đọc và nhạc cần MINIMAX_API_KEY |
| Model chọn theo danh mục hiện tại | Dùng model nào để tạo? | Nó xem danh mục và giá hiện tại của nhà cung cấp rồi truyền một model cụ thể, không có model mặc định |
| Thử nhỏ trước, kiểm lại với nguồn | Làm sao biết kết quả dùng được? | Tạo vài ảnh thử rồi mới chỉnh từng yếu tố; bản phiên âm thì đối chiếu tên riêng, con số với file gốc |
Nó chỉ kiểm key có mặt hay không, không in giá trị key. Key của một loại việc không mở được việc khác: chỉ có key OpenRouter cho ảnh thì không làm được nhạc.
Prompt mẫu cho phiên âm một buổi họp:
/ak-ai-multimodal <tên file>.mp3
Phiên âm có mốc thời gian, tách người nói, đánh dấu chỗ nghe không rõ.
Thuật ngữ cần giữ đúng: <danh sách thuật ngữ>.
Lưu ra transcript.md.Skill này không có cờ.
Phần dưới đây là bản chi tiết: luồng chạy, 5 tình huống kèm prompt, lịch sử thay đổi theo bản ak và các lỗi hay vấp. Bản chi tiết và trang trực quan dành cho subscriber. Agent của bạn cũng tìm được trong đó qua MCP của portal.
Mở khi tài khoản có quyền subscriber
Bài này dành cho subscriber
Khi tài khoản có quyền, toàn bộ bài, bản visual tương tác và lệnh gọi từ agent đều mở.
- Đăng nhập hoặc tạo tài khoản modernEngineerQuyền đọc gắn với email tài khoản.
- Chọn gói trên trang Bảng giáGói 1, 3 hoặc 12 tháng, trả bằng chuyển khoản VietQR. Quyền đọc mở khoảng một phút sau khi tiền về.
- Hoặc nhập mã Facebook subscriberNgười ủng hộ trang qua Facebook nhận mã kích hoạt qua tin nhắn mỗi tháng.
Đã là subscriber? Đăng nhập để đọc.
Dùng bài này trong agent của bạn
Lấy API keyChép đoạn dưới, dán vào Claude Code, Codex hay agent bạn đang dùng. Agent đọc bài rồi đối chiếu với repo đang mở.
Đọc bài "ak-ai-multimodal: đọc và tạo ảnh, âm thanh, video" trên modernEngineer rồi áp dụng vào repo này.
1. Gọi tool content_get của MCP server modernengineer với locale "vi", slug "ak-ai-multimodal". Nếu chưa nối MCP server modernengineer, dừng lại và hướng dẫn tôi nối theo https://modernengineer.dev/vi/mcp.
2. Tóm tắt các bước chính của bài, chỉ ra bước nào áp dụng được cho repo này.
3. Đề xuất thay đổi cụ thể và hỏi tôi trước khi sửa file.Nối MCP cho Claude Code (một lần)
claude mcp add --transport http modernengineer \
https://api.modernengineer.dev/mcp \
--header "Authorization: Bearer <API key>"Đọc trọn bài qua MCP cần API key của tài khoản subscriber hoặc đã mua guide này. Không có quyền, agent sẽ chỉ đọc được phần mở đầu.
- Phiên bản
- v1.0.0
- Cập nhật
- 22/10/2026
- Giấy phép
- Bảo lưu mọi quyền
- Slug
- ak-ai-multimodal
