Medienverständnis

Anyy kann Bild-, Video- und Audioeingaben über kompatible Modell- oder Transkriptionsrouten verarbeiten. Die Eingabeoberfläche muss den Anhang mit passendem Medientyp liefern; das Hochladen allein belegt keine Modellunterstützung.

Dashboard-Anhänge

Hängen Sie unter Dashboard → Chat Dateien vor dem Senden an. Eine Upload-Anfrage akzeptiert bis zu fünf Dateien mit jeweils bis zu 50 MiB. Ausstehende Anhänge verfallen nach 24 Stunden, wenn keine Nachricht sie beansprucht.

Dashboard erkennt JPEG- und PNG-Uploads als Bilder. Andere Uploads einschließlich Audio- und Videodateien sind in v0.1.107 gewöhnliche Dateianhänge; sie gelangen nicht automatisch in STT oder Videoverständnis. Verwenden Sie dafür einen unterstützten Kanal-/Eingabeweg, der Anhänge als audio, voice oder video liefert.

Geben Sie Bildern eine explizite Anweisung:

Read this screenshot and list the visible error messages in order.

Laufzeiteingaben

Medium	Unterstützte Route
Bild	JPEG- oder PNG-Bildanhang; native Bildeingabe oder eigenes Bildzusammenfassungsmodell
Video	MP4-, WebM- oder QuickTime-Videoanhang aus unterstützendem Eingabeweg; native Videoeingabe oder eigenes Zusammenfassungsmodell
Audio	audio-/voice-Anhang aus unterstützendem Eingabeweg; STT mit Transkription zuerst

Der Anbieter kann strengere Formate, Größen- oder Dauerlimits vorgeben. Audioverarbeitung ist standardmäßig auf 25 MiB, 60 Sekunden Anfragezeit und 12.000 Transkriptzeichen begrenzt; dies ist vom Dashboard-Uploadlimit getrennt. Einige Sprachprotokolle/-modelle akzeptieren weniger.

Routen konfigurieren

Konfigurieren Sie Hauptmodell und Bild-/Video-/Sprachrouten unter Dashboard → Modelle. Entsprechende Bild-/Video-Werkzeugseiten und CLI-Einrichtung sind ebenfalls verfügbar:

anyy tools image understanding
anyy tools video understanding
anyy tools voice stt

Das gewählte Modell muss die Eingabefähigkeit ausweisen. Ein unbekanntes manuell eingegebenes Modell gilt nicht automatisch als bild- oder videofähig. Authentifizierung und Routing finden Sie unter Modelle konfigurieren.

Verarbeitungsmodi

Modus	Bild-/Videoverhalten
auto / native_first	Ausgewiesene native Fähigkeit des aktuellen Modells bevorzugen; eine konfigurierte Zusatzroute kann bei Bedarf zusammenfassen
summary_first	Eigene Verständnisroute vor dem Hauptgespräch verwenden; diese Route ist erforderlich
disabled	Zusätzlichen Verständnisweg deaktivieren; dies ist kein Datenschutzschalter, der native fähige Modelle am Empfang angehängter Medien hindert

Bildzusammenfassungen verwenden standardmäßig 160 Token/800 Zeichen und 60 Sekunden Zeitlimit. Zusammenfassungsgrenzen können Details auslassen; fragen Sie nach benötigten Belegen und prüfen Sie wichtigen Text oder Zeitstempel. Fehlen nutzbare Bildbytes oder eine kompatible Route, kann das Modell statt Bildinhalt eine Ausgelassen-/Nicht-verfügbar-Markierung erhalten. Auch Bild-/Video-Zusammenfassungsfehler können als nicht verfügbar dargestellt werden; nehmen Sie nicht an, dass eine angehängte Datei verstanden wurde.

Audio verwendet transcript_first. media_understanding.audio.on_failure akzeptiert annotate (Standard), ignore oder fail: entsprechend eine Fehltranskriptionsmarkierung hinzufügen, ohne Transkript fortfahren oder die Anfrage scheitern lassen. Sprechererkennung und Worttreue hängen vom STT-Backend ab; Anhangsunterstützung garantiert sie nicht.

Datenschutz und Kosten

Native Medien- oder Zusatzverarbeitung kann Bytes an den konfigurierten Anbieter senden. Eine spätere Hauptmodellanfrage kann stattdessen eine Zusammenfassung/ein Transkript erhalten. Prüfen Sie Aufbewahrungs- und Regionsbedingungen jedes gewählten Anbieters. Große Medien und Transkription können Latenz und Kosten erhöhen.

Fehlerbehebung

Problem	Prüfung
Dashboard lädt Video/Audio als Datei hoch	Dies ist das aktuelle Verhalten; Eingabeweg mit passendem Medientyp verwenden
Bild ausgelassen oder nicht verfügbar	Gültige JPEG-/PNG-Bytes und fähige native oder Zusatzroute verwenden
Video wird nicht verstanden	Anhangstyp, MP4-/WebM-/QuickTime-Format, Fähigkeit und Route prüfen
Audio hat kein Transkript	audio-/voice-Typ, STT-Aktivierung, Protokoll und dessen engere Grenzen prüfen
Anbieter lehnt Größe/Kontext ab	Eingabe komprimieren oder kürzen und Anbietergrenzen prüfen

Sprachprotokolle finden Sie unter Stimme und Sprache.