گوگل بدون سر و صدای زیاد دامنه آنچه توسعهدهندگان میتوانند به ایپیآی جمینای بفرستند و آنچه ابزارها میتوانند برگردانند را وسیعتر کرد. ورودی ۵ نوامبر ۲۰۲۶ در یادداشتهای انتشار ایپیآی جمینای دو تغییر مرتبط را فهرست میکند: پشتیبانی گستردهتر از فایلهای مایکروسافت آفیس و اپنداکیومنت در سمت ورودی، و پاسخهای تابع چندرسانهای که اجازه میدهد فایلهای آفیس، صدا و ویدیو بهجای فقط متن، تصویر و پی دی اف به مدل برگردند.
در سمت ورودی، ایپیآی اکنون پاورپوینت ۹۷ تا ۲۰۰۳ با پسوند PPT، ارائه اپنداکیومنت با پسوند ODP و صفحهگسترده اپنداکیومنت با پسوند ODS را میپذیرد و پردازش ورد ۹۷ تا ۲۰۰۳ با پسوند DOC را بهصورت تصویر صفحه اضافه میکند. فایلهای DOC و PPT و ODP بهصورت تصویر صفحه یا اسلاید رندر میشوند تا مدل چیدمان، نمودار و تصاویر را بخواند. برای دفترچههای ODS مدل فقط داده و فرمولهای برگه اول را دریافت میکند. پردازش قالبهای مدرنی که از قبل پشتیبانی میشدند یعنی DOCX و DOTX و ODT و PPTX و XLSX و XLS بدون تغییر مانده است.
راهنمای پردازش سند گوگل رفتار هر قالب را روشن میکند. فایلهای DOCX و DOTX و ODT و PPTX به متن کامل تبدیل میشوند و تصاویر جاسازی شده در DOCX و PPTX حفظ میشوند، اما صفحات و اسلایدها به تصویر تبدیل نمیشوند؛ بنابراین چیدمان و نمودار ممکن است از دست برود. XLSX و XLS همچنان فقط برگه اول را بهشکل مقادیر سلول بدون فرمول و بدون قالببندی نشان میدهند. ODS میان صفحهگستردهها استثناست: برگه اول با داده و فرمول میرسد. برگههای دیگر نادیده گرفته میشوند مگر توسعهدهنده آنها را اول کند یا جدا کند. محدودیت اندازه و تعداد صفحه همچنان برای کل فایل اعمال میشود.
تغییر دوم متوجه عاملهایی است که از ابزار استفاده میکنند. پاسخ تابع اکنون میتواند فایلهای آفیس و اپنداکیومنت، صدا و ویدیو را به مدل برگرداند. در ایپیآی GenerateContent بخشهای پاسخ تابع این رسانهها را افزون بر تصویر و پی دی اف و متن ساده میپذیرند؛ همچنین fileData را میپذیرند تا ابزار بهجای بایتهای درونخطی یک نشانی Files API برگرداند. displayName روی inlineData و fileData در دسترس است و بخشهای ویدیو تنظیم mediaProcessing با مقادیر STATIC یا AGENTIC دارند. در ایپیآی Interactions گامهای function_result بلوکهای document و audio و video را در کنار text و image، با داده درونخطی یا نشانی، میپذیرند. بلوکهای ویدیو در کانالهای v1beta و v1alpha موجودند و فیلد processing دارند.
مستندات فراخوانی تابع چندرسانهای این قابلیت را به مدلهای سری جمینای ۳ گره میزند. انواع بلوک پشتیبانی شده شامل text، image با قالبهای پی ان جی و جِی پگ و وبپی، document شامل پی دی اف و سی اس وی و انواع آفیس و اپنداکیومنت بالا، صدا در قالبهای از پیش مستندشده، و ویدیو در قالبهای از پیش مستندشده برای درک ویدیو است. هر بلوک رسانه میتواند داده پایه۶۴ یا نشانی Files API باشد و فایلهایی که ابزار برمیگرداند همانند همان فایل در ورودی عادی پردازش میشوند. نوع MIME پشتیبانی نشده خطای ۴۰۰ INVALID_ARGUMENT برمیگرداند که فیلد و انواع پذیرفته را نام میبرد.
در کنار هم، این دو یادداشت یک شکاف عملی برای عاملهای سندمحور را میبندند. یک ابزار میتواند یک ارائه قدیمی PPT یا یک برگه ODS را بگیرد، بدون تبدیل جداگانه مستقیم به جمینای برگرداند و گفتگو را ادامه دهد. اعلامیه همچنان فقط مستنداتی است: گوگل همراه ورودی ۵ نوامبر نه معیار عملکرد منتشر کرد، نه تغییر قیمت، نه نمونه مشتری، و در این اجرا پوشش مستقلی دیده نشد.
توسعهدهندگانی که از قبل DOCX و PPTX میفرستند در آن مسیر تغییر کمی میبینند. تیمهایی که هنوز DOC یا PPT یا اپنداکیومنت را از شرکا، نهادهای ناظر یا سامانههای سازمانی قدیمی دریافت میکنند اکنون مسیر رسمی برای نگهداشتن این قالبها داخل حلقه جمینای دارند، حتی وقتی فایلها بهعنوان نتیجه ابزار میرسند نه بهعنوان بارگذاری اولیه کاربر.