Geminiの動画解析が進化　“見逃し”減らしトークンも88%削減

Googleは9月1日(米国時間)、Geminiの動画解析機能「Agentic video understanding」を発表した。対象モデルはGemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite。動画アップロードとYouTube動画を対象に、Google AI StudioのGemini APIとGemini Enterprise Agent Platformで利用できる。

従来の動画解析機能は、動画を固定フレームレート(デフォルトは1FPS)で取り込み、映像全体を静的に処理していた。この方式では、特に長尺動画でトークン消費量やコストが大きくなりやすいほか、1秒未満の状態変化や細かなカットの境目を捉えにくく、重要な場面を見落とす可能性があった。

Agentic video understandingは、Geminiが質問や目的に応じて、動画内のどの部分を、どのフレームレートで、映像フレーム、音声、文字起こしのどの情報から確認するかを自律的に判断。必要な場面や情報のみを動的に検索、スキャン、検査して処理する。

これにより、従来の動画解析と比べて、トークン消費量を最大88%、コストを最大66%削減しつつ、精度を最大7%向上できるという。

用途としては、1秒未満の場面検索、長尺動画からのトークン消費を抑えた情報検索、異常検知、動作や物体のカウントなどに対応する。

ベンチマークでは、3つの対応モデルすべてで効率改善が確認されており、Gemini 3.7 Flashは、テストされた動画理解モデルの中で、品質とコスト効率のバランスが最も高いとしている。

必要に応じて異なるフレームレートで動画をスキャンすることで、高速な動きを正確にカウントできる

ベンチマーク結果

利用時は、Gemini APIの設定で動画処理を「agentic」に指定する。追加の機能料金はなく、通常のGemini APIのトークン料金で利用できる。

Googleは今後、Agentic video understandingによる効率化と品質向上を、同社製品にも展開する。Geminiアプリでは、FlashとFlash-Liteモデルを対象に順次展開する予定。また、今後数カ月のうちに、YouTubeの動画視聴ページで使える「Ask YouTube」機能にも導入する予定。