Googleは、Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Liteで「エージェント型動画理解」（Agentic Video Understanding）機能を開始したと発表した。この機能は、Google AI StudioおよびGemini Enterprise Agent PlatformのGemini APIを通じて、アップロードされたファイルとYouTube動画の分析にすぐ利用できる。同社によると、この機能はトークン消費を最大88％削減し、分析コストを最大66％低減するとともに、ベンチマークテストで精度を最大7％向上させることができる。
今回の更新は、長時間動画の分析における基本的な問題を対象としている。従来の処理では、動画をデフォルトで毎秒1フレームの固定フレームレートに基づいて処理し、APIを通じて変更することもできる。この方式では、選択されたサンプルに現れない素早い瞬間や細部を見逃す可能性がある一方、フレームレートを上げるとトークン数とコストが増加する。
エージェント型モードの仕組み
動画ストリーム全体を固定的な方法で取り込む代わりに、Geminiは何を見るべきか、検査に適した速度、タスクに最も有用なメディア（フレーム、音声、文字起こしテキスト）を判断できる。モデルは内部ツールを呼び出して、目標に導かれるループの中で動画ファイルから関連部分を読み込み、必要に応じて特定の時間範囲を再検査する。
Googleは、開発者がこれらの仕組みの一部を手作業で構築することは可能だったが、動的な検索と検査のプロセスをモデルに移すことで、必要なプログラミング作業を減らせると説明している。この機能に追加料金は発生せず、Gemini APIの標準的なトークン料金が適用される。API設定で処理オプションをagenticに設定するだけでよい。
開発者にとって実際に何が変わるのか
Googleによると、効果がより明確に表れるのは長時間コンテンツであり、10分間のハウツーガイドや90分間の講義から、数時間に及ぶ録画までが対象となる。同社が示している用途には、次のものが含まれる。
- 状態の変化や自動編集に必要な素早いカットの境界など、1秒未満のより細かな瞬間を取り出す。
- 数百万トークンを消費することなく、長時間の動画や数時間にわたる録画の中から特定の情報を検索する。
- 重要な時間範囲をより高いフレームレートで再サンプリングし、異常を検出する。
- 繰り返し現れる動作や物体を時間的に追跡し、より正確に数える。
Googleのテストによると、エージェント型動画理解を利用するGemini 3.7 Flashは、テストされたモデルの中で総合的な品質と品質・コストの組み合わせの両方で最も優れており、同社が精度とコストの間の効率フロンティアと表現する位置にある。もっとも、これらは同社が公表した数値であり、あらゆる種類の動画やタスクで同一の性能を保証するものではない。
なぜこのニュースが重要なのか
実際の変更点は新しいモデルの追加ではなく、動画分析を固定的で包括的な処理から、部分と信号を適応的に選択する方式へと変えたことにある。これは、長時間のアーカイブ内の検索や素早い出来事の監視に依存するアプリケーションに役立つ可能性がある。ここでトークンが削減されるのは動画全体を無視するためではなく、モデルが質問に関連すると判断した部分に検査を集中させるためだ。
一方で、重要な瞬間がまれであったり不明確であったりするシナリオでは、開発者がエージェント型選択の精度を評価する必要がある。また、情報源はテスト方法の全体像や絶対的なコストの数値について、独立した詳細を示していない。そのため、改善率はGoogleが公表したベンチマーク結果として捉えるべきであり、各アプリケーションのコンテンツで機能をテストする代わりにはならない。
提供状況と拡張計画
この機能は現在、前述の3モデルについて、Google AI StudioおよびGemini Enterprise Agent PlatformのGemini APIを通じて利用できる。Googleは、FlashおよびFlash-Liteモデルを通じた効率と品質の改善を、近いうちにGeminiアプリのすべてのユーザーへ提供する予定だ。また今後数か月の間に、動画視聴ページの「Ask YouTube」機能でもこの技術を利用し、動画内の視覚情報に基づく、より品質の高い回答を提供することを目指している。