Google、Geminiに「エージェンティック動画理解」を導入　トークン消費を最大88%削減し精度も向上

要点

• 米Google DeepMindは2026年9月1日、Geminiの最新モデル向けに新機能「エージェンティック動画理解（Agentic video understanding）」を発表した。

• 動画全体の固定読み込みを排し、モデル自身が必要なフレームや音声、テキストを動的に探索する仕組みを採用している。

• 従来の静的処理と比較して、トークン消費量を最大88%、分析コストを最大66%削減しつつ、精度を最大7%向上させた。

• Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteの3モデルに対応し、Google AI StudioおよびGemini Enterprise Agent Platform経由で即日利用可能となった。

• 米Google DeepMindは2026年9月1日、同社の大規模AIモデル「Gemini」シリーズの最新版において、動画解析を大幅に効率化する新機能「エージェンティック動画理解（Agentic video understanding）」の提供を開始したと発表した。

• 対象となるモデルはGemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Liteの3種類で、API経由で即座に利用できる。同社のシニアプロダクトマネージャーであるRohan Doshi氏とリサーチディレクターのMario Lučić氏によると、本機能の導入により、動画処理にかかるトークン消費量を最大88%、コストを最大66%削減しながら、解析精度を最大7%向上させることに成功したという。

固定フレームレート処理が抱えていた長尺動画の課題

従来の動画解析における「静的（static）な処理」では、動画全体を毎秒1フレーム（1 FPS：1秒間に処理する静止画のコマ数、APIで調整可能）などの固定レートで均一に取り込む方式が一般的だった。

しかし、10分程度の解説動画から90分の講義、さらには数時間に及ぶ録画データなどの長尺動画を処理する場合、この静的処理ではトークン（AIがデータを処理する際の計算単位）の消費量とコストが極めて大きくなるという課題があった。開発者は、高額なコストを受け入れるか、コマ数を間引いて重要なディテールを失うリスクを負うかという二者択一を迫られていた。

内部ツールを活用する「エージェントループ」の仕組み

今回発表されたエージェンティック動画理解は、モデルの中核的な推論機能とGeminiのネイティブな動画処理ツールを連携させるアプローチを取っている。

モデル自身が「何を見るべきか」「どの速度で確認するか」「どのモダリティ（映像フレーム、音声、文字起こしといった情報の知覚形式）を用いるか」を能動的かつ目的志向で判断する。動画全体を一律に読み込むのではなく、目的に応じて必要な瞬間やシグナルだけを動的に検索・スキャン・検証する仕組みだ。

この一連の動作は、モデルが内部ツールを呼び出して動画ファイルの関連部分を読み込む「エージェントループ（agentic loop）」を通じて自動的に実行される。これにより、以前は開発者が手動で構築していた複雑な最適化処理を省き、開発負荷を大幅に軽減できると説明している。同社が先行して提供している、コード実行と画像理解を組み合わせた「Agentic vision」と同様の設計思想が動画処理にも拡張された形だ。

トークン消費88%削減とGemini 3.7 Flashによる最高効率の達成

標準的な動画分析ベンチマークにおいて、エージェンティック動画理解を適用したGeminiモデルは、分析コストを最大66%、トークン消費量を最大88%削減し、精度を最大7%改善させた。こうした効率化の恩恵は、特に長尺動画の分析において顕著に表れるという。

対応する3つのモデルすべてで効率向上が確認されているが、中でも「Gemini 3.7 Flash」と組み合わせた場合に総合的な品質、ならびに品質とコスト効率のバランスが最も高くなった。同社は、テストされた動画理解モデルの中でGemini 3.7 Flashが「精度対コスト」のパレートフロンティア（コストと精度のトレードオフにおいて最良の効率を誇る境界線）に位置づけられるとしている。

1秒未満の瞬間特定など高精度なユースケースに対応

エージェンティック動画理解の導入により、長尺動画を扱う多様なアプリケーションで新たな機能が利用可能になる。

具体的には、瞬時の状態変化や細かなタイミングを特定する「1秒未満の瞬間検索（Sub-second moment retrieval）」、動画内の異常を正確に検知する「異常検知（Anomaly detection）」、対象物の「高精度なカウント（Precise counting）」などが挙げられている。

Google AI Studioなどで即日提供開始、YouTube動画にも対応

本機能は、Google AI StudioおよびGemini Enterprise Agent PlatformのGemini APIを通じてすでに提供が開始されている。

直接アップロードされた動画ファイルに加えて、YouTube動画の解析にも対応する。開発者は、APIの構成設定でパラメータを「agentic」に指定することで本機能を有効化できる。