詳細を読む
Googleは2026年9月1日、最新モデルのGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteにエージェント型動画理解を導入しました。映像・音声・文字起こしから必要な場面だけを動的に調べ、従来の固定フレーム処理に比べて解析費用とトークン消費を抑えながら精度を高め、長時間動画の分析を効率化します。
従来方式は動画を既定で毎秒1フレーム取り込みます。新方式はGeminiが問いに応じて、見る箇所、再生速度、映像・音声・文字起こしのどれを使うかを決め、内部ツールで必要な区間だけを読み込みます。
標準的な動画解析ベンチマークでは、解析費用を最大66％、トークン消費を最大88％減らし、精度を最大7％高めました。3モデルのうちGemini 3.7 Flashが品質と費用効率の組み合わせで最良だったとGoogleは説明しています。
対象場面を1秒未満の精度で探すほか、数時間の動画をまたぐ検索、異常検知、動作や物体の計数に対応します。注目区間を高いフレームレートで再確認できるため、速い動きや固定の毎秒1フレーム処理では見落としやすい変化も分析できます。
動画ファイルとYouTube動画を対象に、Google AI StudioのGemini APIとGemini Enterprise Agent Platformで提供を始めました。標準のGemini API料金で利用でき、追加料金はなく、API設定のprocessingを「agentic」に指定して有効化します。
GoogleはGeminiアプリのFlash系モデルにも近く展開し、今後数カ月でYouTubeの「Ask YouTube」にも組み込む予定です。開発者にとっては、長時間動画の詳細を落とさず、コストと実装負担を抑えられる点が導入判断の焦点になります。