Geminiの動画理解が必要場面だけ再確認、トークン最大88%減・費用最大66%減

結論から言うと、Googleは2026年9月1日、Geminiが質問に必要な動画部分を自分で探して詳しく見る「agentic video understanding」を公開しました。

対象はGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteで、Google AI StudioのGemini APIとGemini Enterprise Agent Platformから利用できます。従来は動画を一定のフレーム間隔で読み込むため、長い映像ほど入力が大きくなりました。

新方式は、まず質問に関係しそうな区間を探し、必要に応じて映像のフレーム、音声、字幕を選び、速い動きの場所だけ細かく見直します。Googleの標準評価では、トークン消費を最大88%、分析費用を最大66%減らしながら、正確さを最大7%高めたとしています。数時間の会議や講義から特定の発言を探す、短い異常動作を見つける、物や動作の回数を数える用途に向きます。

API設定で動画処理を「agentic」に指定し、通常のGemini APIトークン料金で使え、追加の機能料金はありません。Geminiアプリにも順次提供され、将来はYouTubeの質問機能にも使われる予定です。ただし「最大」の削減率や改善率はGoogleの評価条件での値です。

重要な監視や判定では、見落としがないか人が元動画を確認し、個人情報を含む動画の送信権限も確かめてください。