Gemini、動画理解でトークン消費88%減

Google DeepMindは2026年9月1日、動画を理解する新方式であるエージェント型動画理解(英語ではagentic video understanding)をGeminiの主要モデルに搭載したと公式ブログで発表した。対象はGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteの3モデルで、標準的な動画解析のベンチマークにおいてトークン消費量を最大88%、解析コストを最大66%削減しながら、精度を最大7%高めるという。

従来のGeminiは、動画を毎秒1コマ(デフォルト値。API経由で調整可能)という固定のペースで読み込み、全フレームを律義に処理する「静的」な方式を取っていた。これに対しエージェント型動画理解は、Geminiの推論機能と動画専用のツールを組み合わせ、映像・音声・文字起こしのテキストを横断しながら、必要な場面だけを自分で検索・確認しにいく。公式ブログによれば、この効率化は10分程度のハウツー動画から90分の講義、数時間に及ぶ録画まで、長尺の動画ほど効果が大きいという。

読者にとっての意味は、研修動画・講演・会議の録画といった「長い映像を後から確認する」作業のコストが下がる点にある。これまでは1時間を超える動画をAIに読ませようとすると処理するトークン数がかさみ、料金・応答速度の両面で敬遠されがちだった。会議の記録を後からAIに要約させる動線は、LINE WORKS AiNoteが要約をテンプレート化した動きとも軌を一にしており、Geminiの今回の変更もその延長線上にある。設定も動画処理方式を「agentic」に切り替えるだけで有効化でき、Google AI Studio経由のGemini APIとGemini Enterprise Agent Platformで、動画アップロードとYouTube動画の両方に対して本日から使え、追加の機能料金もかからない。

今回の変更が示しているのは、AIによる長尺コンテンツ処理の重心が「全部読ませて要約させる」から「必要な箇所だけを狙って読ませる」へ移りつつあるという流れだ。音声を録音してから要約するプロダクトを作っていると、動画のうち意味のある場面は数秒単位に留まることが多く、固定フレームレートで律義に全部読ませる設計が処理コストの上限になりやすいとわかる。とはいえ、今回公表された88%・66%・7%という数字は、いずれも「標準的な動画解析ベンチマーク」上の結果である点には留保が要る。ベンチマークは特定の場面を探す・特定の物体を数えるといった構造化されたタスクに寄りやすく、こうしたタスクほどエージェント型の「必要な箇所だけ探す」戦略と相性が良い。逆に言えば、動画全体を通しで理解する必要がある要約タスクでは、削減幅がベンチマークより小さくなる可能性がある。それでも、モデル自身に探索範囲を絞らせる設計そのものは、長尺の録画・録音を扱うAIサービス全般に今後波及していく方向性だと見てよく、処理方式を「agentic」に切り替えるだけで有効化できる手軽さが、開発者がまず試すハードルを下げている。