Google DeepMindは2026年9月1日、Geminiの動画分析を自律的に進める新機能「Agentic Video Understanding」を発表しました。
この機能はGemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Liteで利用可能です。
従来の動画処理は、動画から1秒につき1フレームを取り出す「静的処理」が標準でした。しかし、数時間に及ぶ長時間動画では大量のトークンを消費する課題がありました。また、フレームレートを下げると一瞬の重要な情報を逃す可能性もありました。
Agentic Video Understandingは、Gemini自身が「動画のどこを確認すべきか」を判断する仕組みです。質問に基づき必要な区間を探し、映像のフレーム、音声、文字起こしから情報を取得します。必要に応じて、対象区間のフレームレートや解像度を調整して読み直すことも可能です。
Googleによると、この手法によりトークン消費量を最大88％削減し、精度を最大約7％向上できたとしています。分析コストについても、最大66％の削減が可能であると説明しています。特に10分程度の解説動画や、数時間に及ぶ録画などの長時間動画において、効率の改善が大きいとされています。
本機能の利用には、Gemini APIで動画の処理方法を「agentic」に指定する必要があります。現在はGoogle AI StudioおよびGemini Enterprise Agent Platformで利用でき、公開YouTube動画の分析にも対応しています。料金は通常のGemini APIのトークン料金が適用されます。
Googleは今後、GeminiアプリのFlashおよびFlash-Liteにもこの機能を展開する予定です。また数カ月以内には、YouTubeの動画視聴ページで質問できる「Ask YouTube」にも導入されるとしています。
出典: Geminiが動画を自律的に分析する「Agentic Video Understanding」登場、文字起こしや再確認を繰り返して長時間動画を詳しく分析しつつ安価に回答を生成（GIGAZINE、2026-09-02）