Gemini、agentic video understandingを追加 トークン消費を最大88%削減
- Geminiにagentic video understandingが加わりました。
- 動画分析のトークン消費を最大88%削減します。
- 追加の機能料金なしでGemini APIから使えます。
Google DeepMindは、Gemini向けのagentic video understandingを発表しました。対象モデルはGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteです。動画分析の精度を高めながら、トークン使用量とコストを大きく抑える新機能です。
この機能は、固定フレームレートで動画を読み込む静的な処理とは異なります。Geminiが推論とネイティブ動画ツールを組み合わせ、必要な動画区間を動的に検索、スキャン、確認します。視覚フレーム、音声、文字起こしから必要な情報だけを取得します。
標準的な動画分析ベンチマークでは、agentic video understandingを使うGeminiモデルが分析コストを最大66%、トークン消費を最大88%削減し、精度を最大7%高めました。長尺動画では、静的処理で発生しやすい高いトークンコストや重要情報の取りこぼしを抑えます。
用途として、サブ秒単位の瞬間検索、長尺動画内の複雑な検索、異常検知、動作や物体のカウントが示されています。動画アップロードとYouTube動画に対応し、Google AI StudioとGemini Enterprise Agent PlatformのGemini APIから利用できます。標準のGemini APIトークン料金が適用され、追加の機能料金はありません。
つまり、これまでの動画分析は1秒に1コマずつ、頭から機械的に全部見ていく方式でした。今回加わったのは、必要な場面だけを探して見に行く方式です。長い会議の録画から一言を探すときに、最初から全部再生するのではなく、目次をたどって該当箇所だけ再生するようなイメージです。読み込む量が減るので費用が下がり、途中の大事な場面を取りこぼす確率も下がります。
トークンを最大88%削減しながら精度は最大7%向上。この二つが同時に並ぶ発表に、筆者はちょっと驚きました。ふつうは削れば精度も落ちます。
効いているのは、動画を頭から等速で読み込むのをやめた点です。必要な区間だけを、必要な速さで見に行きます。90分の講義や数時間の記録を丸ごと投げていた人なら、請求額の見え方が変わりそうです。
しかも追加の機能料金なし。
一方、恩恵が大きいのは長尺を扱う人に限られます。数分の動画を月に数本なら、これまでの処理でも困らないはずです。動画検索や異常検知を仕事にしている人は、手元で一番長い記録を1本、この機能を有効にして投げ直してみると差が分かります。次に出る Flash 系のモデルで、この方式が最初から既定になるかを見たいところです。
長尺動画を分析する開発者や、動画検索、異常検知、カウント処理を扱うチームに関係します。
