Googleは9月1日、Geminiが動画を自律的に走査するエージェント型動画理解（agentic video understanding）をGemini APIに追加した。固定のフレームレートで全体を一律に処理するのをやめ、モデル自身がどの区間をどの細かさで見るかを決める方式に変えている。
従来の動画処理は、尺の長さにかかわらず一定間隔でフレームを抜き出して読み込むため、動きのない区間にも同じだけトークンを使っていた。新方式では必要な箇所だけサンプリングし直す。Googleが挙げる効果は、トークン消費が最大88%減、コストが最大66%減、精度が最大7%向上というものだ。秒未満の精度で該当場面を取り出す自動編集、数時間規模の映像の検索、異常検知、時間をまたいだ動作や物体の計数を具体的な使いどころとして挙げている。
対応するのはGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteの3モデル。Google AI StudioとGemini Enterprise Agent Platform経由で即日利用でき、追加料金はなく通常のトークン課金のまま使える。有効化はAPIの設定で処理方式を「agentic」に指定するだけで、Googleはコード例も併せて公開している。Geminiアプリへの搭載は近日、YouTubeの「Ask YouTube」への展開は今後数か月とされている。
対象が最上位のProではなくFlash系である点は、この機能の性格を示している。Gemini 3.7 Flashは8月13日に発表されたばかりの最新のFlashで、Googleはこの機能を組み合わせた3.7 Flashが品質とコスト効率の両立で最良だとしている。長尺動画の解析はこれまで、トークン単価そのものより「全部読ませると量が膨らむ」ことが実運用の壁になっていた。処理量を8割以上削れるなら、これまで見送られてきた社内動画やアーカイブ映像の全件検索が、費用の面で検討の土俵に乗る。
なお、Geminiを個人や業務で使うときの料金体系は、別記事「Geminiの料金プランを徹底比較」で整理している。モデルに判断を任せて自律的に処理させる考え方そのものは、別記事「AIエージェントとは？仕組みと主要サービスを解説」で解説している。
