Google 在 Gemini API 官方更新日志(11 月 18 日)中宣布“多模态文件处理与切片”:Microsoft Office 和 OpenDocument 文件(Word、PowerPoint、Excel)可直接传给 Gemini API,并能在用户输入和函数返回结果中对文档、表格、视频、音频切片,选择页码范围、工作表、单元格范围、时间区间或内容层(页面图像、提取文本、公式、视频转写等),只处理并只为所选内容付费。
核心要点速览
- ✓Gemini API 于 11 月 18 日支持直接传入 .docx、.pptx、.xlsx 及 .doc/.ppt/.xls、.odt/.odp/.ods 等 Office 与 OpenDocument 文件,处理方式与 PDF 相同
- ✓在 document 块上加 processing(type 为 static)即可切片:page_options 选起止页和内容层(page_image / page_text),spreadsheet_options 选 sheet_index 与 A1 单元格范围(如 A1:H50)
- ✓设置 processing 后只对所选页、表和内容层计 token;页面图像按分辨率约 280 / 560 / 1,120 token 每页,默认 medium
- ✓视频可用 start_offset / end_offset 截取时间段并选 frames、audio、transcript 内容层,音频也支持时间段裁剪;工具的函数返回结果同样可以返回切片
- ✓限制:单文件最大 50 MB,Office 文件最多 2,000 页或幻灯片,每个工作表最多 50,000 个单元格,切片时限制仍按整个文件计算
关键决策指标一览
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价,支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
企业资料大量存在于 Word、PPT 和 Excel 中,过去开发者往往要先转成 PDF 或 CSV 再喂给模型,而且整份文件全量计费。Gemini API 官方更新日志 11 月 18 日宣布“多模态文件处理与切片”,Office 与 OpenDocument 文件可直接传入,并只为所需部分付费;X 上 StatsWire 等账号也随即转发了这一更新。
架构亮点与底层机制
据 文档理解指南,在 document 块上设置 processing(static)即可切片:文档和演示文稿用 page_options 选页码与内容层(页面图像或提取文本),表格用 spreadsheet_options 选 sheet_index 和 A1 单元格范围。视频可按 start_offset / end_offset 截取并只取 transcript 等内容层,音频支持 时间段裁剪,工具也能在 函数返回结果 里返回切片,模型会自动拿到总页数和工作表名以便继续追问。
权威 Benchmark 与实测跑分对比
官方未公布相关跑分。计费方面,页面图像按分辨率约 280、560(默认)、1,120 token 每页;设置 processing 后只计所选页、表和内容层。单文件最大 50 MB,Office 文件最多 2,000 页,每表最多 50,000 个单元格。
开发者实战落地与开箱指南
大文件可先用 page_text 低成本扫描,再对含图表的页用 high 分辨率 page_image;表格只取需要的工作表和单元格区域。适合合同审阅、财务模型分析、会议录像检索等 Agent 场景,能显著压缩上下文和成本。
即刻查看该技术对应模型与主流工具的实测差异,或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察