Googleは、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteモデル向けに「agentic video understanding」機能の提供を開始した。このシステムは、動画を一定のフレームレートで最初から最後まで処理するのではなく、映像フレーム、音声、文字起こしの間を動的に検索し、必要な部分だけを調べる。この方法により、分析精度を高めながら、トークン消費量を最大88%、コストを最大66%削減し、精度を最大7%向上させる。
この機能は、1秒未満の瞬間の特定、より正確な異常検知、精密なカウントといった能力を提供する。特に、10分間のガイドから90分間の講義、数時間に及ぶ記録まで、長時間の動画における効率向上が目指されている。Gemini 3.7 Flashは、対応モデルの中で、総合的な品質と品質・コストのバランスの両面で最良の結果を示している。
現在の静的な処理では、モデルはデフォルトで動画を1秒あたり1フレームの速度でスキャンするが、この速度はAPI経由で変更できる。一方、agenticアプローチでは、モデルが何を、どの速度で、どのチャンネルから見るかを自ら判断し、内部ツールを使って関連する動画部分を読み込む。これにより、開発者がこうした処理を手動で構築する必要性が軽減される。システムは、高速な動きを異なるフレームレートで再スキャンでき、動画内の特定の情報をより少ないトークンで見つけることができる。
この機能は、動画のアップロードおよびYouTube動画向けに、Gemini APIを通じてGoogle AI StudioとGemini Enterprise Agent Platformで利用できる。有効化するには、API設定で処理タイプを「agentic」に設定する必要がある。標準のGemini APIトークン料金が適用され、追加の機能料金は発生しない。
Googleは、効率と品質の向上を、GeminiアプリでFlashおよびFlash-Liteモデルを利用するすべてのユーザーに近日中に提供する。今後数カ月で、この技術はYouTubeの視聴ページにある「Ask YouTube」機能にも統合される。
なぜ重要なのか
この変更により、長時間の動画アーカイブを扱う開発者にとって、分析プロセスにおける技術的な負担が軽減される。モデルが調査する部分とデータチャンネルを判断するため、独自のスキャンロジックを構築する必要性が抑えられる。トークン使用量とコストの削減により、特に数時間に及ぶ記録を対象とした詳細な検索、カウント、異常調査を、既存のAPI料金体系の範囲内で実行しやすくなる可能性がある。ただし、この機能を利用するには、開発者がAPI設定で処理タイプとしてagenticを別途選択する必要がある。そのため、標準の動画処理フローが自動的に変更されるわけではない。現時点では、アクセスはAPI経由のGoogle AI StudioとGemini Enterprise Agent Platformに限定されているようだが、GeminiアプリとYouTubeでの利用について発表された展開がいつ完了するかは明らかにされていない。
用語：フレームレート
フレームレートとは、毎秒描画される画像の数であり、高くなるほど動きがより滑らかに見える。