Google DeepMind が Introducing agentic video understanding with Gemini を投入 ── 動画分析のコストを66%まで圧縮
動画の理解コストがこれだけ変わるなんて、正直ちょっと衝撃的だ。Geminiの最新モデル向けに「エージェンティックな動画理解」機能が実装され、従来の静的処理と比較してトークン消費量とコストが大幅に削減されたとのこと。長尺動画の処理において、コストと精度の両立という難題に斬新な解を提示している点が興味深い。
▸何が変わったのか
今回追加されたのは、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteにおける「agentic video understanding（エージェンティックな動画理解）」機能だ。従来の固定FPS（1FPS）で動画を読み込む静的処理とは異なり、モデルの推論能力とネイティブな動画ツールを組み合わせ、視覚フレーム、音声、文字起こしデータを動的にスキャン・検査する仕組み。これにより、標準ベンチマーク上で分析コストが最大66%、トークン消費量が最大88%削減され、かつ精度は最大7%向上している。特に10分間のガイドから90分間の講義、数時間分の記録といった長尺動画でその効果が顕著に出るという。
◈前モデル / 競合との比較
提供テキストでは競合他社の具体名は挙がっていないが、同社の「agentic vision（画像理解）」と同様のコンセプトを動画に拡張した形となる。従来の静的な動画処理（固定FPS）と比較して、コスト効率と精度のバランス（パレートフロンティア）において優位に立っているとのこと。特にGemini 3.7 Flashは、品質とコスト効率のバランスが最も良いとして推奨されている。
◈技術背景と意義
従来のAIによる動画理解は、一定間隔（例えば1秒に1フレーム）で動画を切り出して処理するため、重要な瞬間を見逃すか、あるいは大量のフレームを読み込んでコストがかかるという二律背反があった。今回のアプローチは、エージェントが「どこに注目すべきか」を判断し、必要な部分だけ詳細に調べに行くという能動的な探査を行う点が最大の違いだ。これにより、無駄な計算を省きつつ、異常検知や正確なカウント、サブセコンド単位のモーメント検索といった高精度なタスクを安価に実行可能にする。
▸こんな人・用途に
・長尺のチュートリアルや講義動画から、特定の質問に対する答え箇所を迅速かつ低コストで特定したい開発者。・監視カメラ映像や長時間録画データからの異常行動検知や、特定のオブジェクトの正確なカウント処理を行うセキュリティ・製造業のAIシステム。・YouTube動画の内容を構造化して検索可能にするサービスで、APIコストの最適化を図りたいプロダクト。
▸Hacker Newsの反応
Gemini関連の投稿そのものは見当たらないが、関連するエージェント系動画ツールのShow/HN Launchが相次いでいる。技術的な裏付けを求める懐疑的な声と、実用性を期待する期待感が入り混じる、少し混沌とした空気感だ。
「ベンチマークもモデル情報もなし。AI生成ビデオとサインアップページだけ。これはあの「モノリシックからマイクロサービスへ移行したら、結局またモノリシックに戻った」的な話だな。」
「サインインなしで試せないし、プライバシーポリシーに学習利用が含まれている。クレジットカード登録なしで試せないのは微妙。アイデア自体は良いが、まだ早い印象を受ける。」
「これはかなりクールだ。事業の成功を祈っている。」
「素晴らしいアイデアだ。動画編集やCADは習得コストが高い。「これをやりたい」と「正しいボタンを押す方法を知る」の間に大きな隔たりがあるからだ。」
「これはすごい（LinkedInで繋がることを申し出る）。遠く離れた親しい人のために最近動画を作り始め、CapCutを使っていた。「これがあったらいいな」と思っていた機能だ。」
◆入手方法・リンク
Google AI StudioまたはGemini Enterprise Agent Platformにて、API設定を「agentic」に設定することで利用可能。対象はGemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite。動画のアップロードおよびYouTube動画への適用に対応している。
SOURCE: Google DeepMind (2026-09-01)
