Google、Geminiに「エージェント型動画理解」 トークン最大88%削減
Googleは9月1日、Geminiの新機能「エージェント型動画理解」を発表した。固定フレームレートで処理する代わりに、モデルが質問に応じて見る区間・速度・モダリティを自ら選ぶ。分析コスト最大66%減、トークン消費最大88%減、精度は最大7%向上するとしている。追加料金なしで即日利用できる。
何が発表されたか
Googleは2026年9月1日、Gemini に「エージェント型動画理解（agentic video understanding）」を導入したと発表した。
従来の動画処理は固定のフレームレートで全体を一律にサンプリングしていた。今回の機能では、モデルが質問内容に応じて「どの区間を」「どの速度で」「どのモダリティ（フレーム・音声・書き起こし）で」見るかを動的に判断しながら動画のタイムラインを辿る。
対応モデルは次の3つ。
- Gemini 3.7 Flash
- Gemini 3.6 Flash
- Gemini 3.5 Flash-Lite
効果として示された数値
発表では、従来手法との比較で以下の改善が示されている。
- 分析コスト: 最大66%削減
- トークン消費: 最大88%削減
- 精度: 最大7%向上
これらの利点は、10分程度のガイド動画から数時間規模の記録映像まで、長尺コンテンツで特に大きいとされる。
開発者への影響
利用開始のハードルは低い。API のコンフィグで処理方法を「agentic」に指定するだけで有効化でき、追加料金は発生せず、通常の Gemini API のトークン課金がそのまま適用される。提供チャネルは Google AI Studio、Gemini Enterprise Agent Platform、および Gemini API。
長尺動画をLLMに読ませる用途では、これまでトークン量とコストが実装上の最大の制約だった。動画の全体を一律に投入する前提を外せるため、動画教材の要約、会議録画からの情報抽出、サポート動画の検索といった機能を、これまでより現実的なコストで組み込めるようになる。
なお本機能は今後、Gemini アプリや YouTube の「Ask YouTube」にも展開される予定とされている。