米Googleは最新のGeminiモデルに「エージェント型ビデオ理解」を導入した。
動画を必要な場面だけ動的に解析することで、特定のベンチマークにおいてトークン消費が最大88％、分析コストが最大66％削減され、精度は最大7％向上した。
Geminiが動画を自律解析 長時間コンテンツの処理効率を向上
Googleが2026年9月1日に発表した「エージェント型ビデオ理解」は、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteで利用できる新機能である。
従来は動画を固定したフレームレートで取り込む静的処理が中心だったが、本機能では動的に検索・走査・精査する仕組みが採用された。
解析では、映像のフレームだけでなく、音声や文字起こしも組み合わされる。
Geminiが内部ツールを呼び出すエージェント型のループによって、動画のどこを、どの速度で、どの情報源から確認するかを判断するため、開発者が対象部分を手作業で指定する負担も抑えられるという。
Googleによると、標準的な動画分析ベンチマークでは、トークン消費が最大88％、分析コストが最大66％削減し、精度が最大7％向上した。
特に10分程度の解説動画や90分の講義、複数時間の録画など、長時間コンテンツで効率化の効果が大きいという。
具体的な用途としては、サブ秒単位の瞬間的な変化を探す場面検索、長時間動画から特定情報を見つける処理、異常検知、動作や物体のカウントなどが想定されている。
本機能はGemini APIを通じてGoogle AI StudioとGemini Enterprise Agent Platformで提供される。
追加料金は発生せず、通常のAPIトークン料金が適用されるという。
Googleは今後、同機能をGeminiアプリへ展開することも予定しているほか、YouTubeの「Ask YouTube」にも導入する方針を示している。
動画AIの普及を後押し 効率化の一方で精度管理が課題に
今回の機能が広く普及すれば、動画をAIで解析する際のコストと処理量の壁が下がる可能性がある。特に長時間動画では、必要な部分だけを重点的に調べられるため、これまでコスト面で導入をためらっていた企業も活用しやすくなりそうだ。
また、単なる要約にとどまらず、一瞬の出来事や特定の対象を動画から探し出せる点も大きなメリットだろう。自動編集、教育コンテンツの検索、映像内の異常確認など、時間軸を伴う処理へのAI活用が進めば、動画を人間が最初から最後まで確認する作業そのものを減らせるかもしれない。
一方で、AIが自律的に確認対象を選ぶ方式では、どの場面を選択したかによって結果が左右される可能性がある。異常検知など見逃しが許容されにくい用途では、AIの判断だけに依存せず、人による確認や結果の検証を組み合わせることが重要になるはずだ。
今後の焦点は、開発者向け機能が一般ユーザーの動画体験までどこまで広がるかにありそうだ。
GeminiアプリやYouTubeに本格的に組み込まれれば、AIが動画全体を受動的に要約するだけでなく、ユーザーの質問に応じて必要な瞬間を探し出す利用方法が一般化する可能性がある。
News from Google Gemini Models
関連記事：
Googleフォト、新機能「Video Remix」提供開始 Gemini OmniでAI動画編集
大阪メトロがGemini搭載ロボ導入 駅での実証実験を実施
Google、音声認識モデル「Gemini 3.5 Transcribe」公開 85以上の言語対応、言い直しを自動処理
