Google DeepMind / Gemini Flash
動画は「全部見る」から
「必要な所だけ見る」へ
長い動画をそのまま読ませると、入力トークンだけで課金がかさむ——そんな悩みに、Google DeepMindが正面から答えを出した。Gemini Flash系に搭載された新しい動画理解は、フレームを闇雲に取り込むのをやめ、モデル自身に「どこを見るか」を選ばせる。
動画は、いちばん
「トークン食い」な入力だった
テキストや画像と違い、動画は再生時間の分だけデータ量が膨らむ。この重さをどう捌くかが、そのままAPI課金を左右してきた。
これまでGeminiは、動画を読み込む際に固定レート（既定で1秒あたり1フレーム）でフレームを取り込んでいた。動画の中身がどうであれ、律儀に同じ間隔でサンプリングし続ける方式だ。予測可能ではあるが、数分を超える長尺動画では、その大半のフレームが今の質問には無関係——という無駄が構造的に発生していた。Google公式ブログが明かした今回の変更は、この「均等に全部読む」という前提そのものを崩すものだ。
新方式では、モデルが映像フレーム・音声・字幕（文字起こし)を横断的にスキャンし、ネイティブの動画ツールを使ってズームや早送り・巻き戻し・再サンプリングを行いながら、質問に関係する区間だけを選んで読み込む。これは小手先の最適化ではなく、「常にすべてをサンプリングする」から「モデルが見る場所を選ぶ」への、入力の取り込み方そのものの転換であり、検索やブラウジング系のツールで進んできた"agentic"な流れが動画理解にも及んだ格好だ。
常に全部を見るのではなく、
必要な所だけを見る。
数字で見る削減幅
Google DeepMindは2026年9月1日、Gemini 3.7 Flash・3.6 Flash・3.5 Flash-Liteに「agentic video understanding」を投入したと発表した。
最大88%のトークン削減、最大66%のコスト削減、標準ベンチマークで最大7%の精度向上——MarkTechPostの検証記事が伝えたこの数字は、いずれも「最大」であり、効果は長尺の動画コンテンツほど大きく出る設計だ。数十秒の短いクリップでは削減幅がここまで大きくならないケースも十分にありうる。
モデルが「どこを見るか」を選ぶ
映像・音声・字幕を横断してスキャンし、ネイティブの動画ツールで関連区間だけを絞り込む。
この仕組みが有効なのはGemini 3.7 Flash・3.6 Flash・3.5 Flash-Liteの3モデルで、Google AI StudioのGemini APIとGemini Enterprise Agent Platformの両方から使える。APIコールのprocessing modeを"agentic"に設定するだけで有効化でき、機能自体に追加料金はかからない。既存の呼び出しに設定を1行足すだけで済む手軽さは大きい。
一方で、モデルバージョンを追っている読者には注意点がある。今回の一次情報で名指しされているのはあくまで3.7/3.6/3.5 Flash-Liteの3モデルであり、最新の3.8 Flashについては本発表の一次資料に名前が明記されていない。同じ「Flash」でも版によって対応状況が異なりうるため、自分が使っているモデルIDで実際に有効化できるかは別途確認したほうがよい。
| 本発表で名指しされたモデル | 確認しておきたいこと |
|---|---|
| Gemini 3.7 Flash | 対応（processing modeで切替可） |
| Gemini 3.6 Flash | 対応（processing modeで切替可） |
| Gemini 3.5 Flash-Lite | 対応（processing modeで切替可） |
| Gemini 3.8 Flash | 一次資料に記載なし・要確認 |
誰に効き、どう使うか
効くのは「動画をたくさん処理している側」。テキスト中心の使い方にはほぼ関係がない。
動画パイプラインを回すエンジニア
コンテンツモデレーション、動画のQA、メディア資産の索引付け、監視映像のレビューなど、長尺動画を大量に流す処理ほど恩恵が大きい。設定を1つ切り替えるだけで、精度を落とさずAPIコストがほぼそのまま下がる可能性がある。
動画解析コストを見る事業サイド
動画分析に予算を割いている案件ほど、API費用の明細行が下がって見える。逆に、プロダクトがテキスト中心なら今回のリリースは実質的にほぼ無関係で、慌てて対応を検討する必要はない。
まず何をすべきか
自分の動画で精度とコストを検証する
「最大88%」「最大7%」はGoogle自身のベンチマーク上の上限値であり、すべての動画で同じ幅が出る保証ではない。本番トラフィックを切り替える前に、サポート通話の録画や監視カメラ映像など、自社が実際に扱う種類の動画サンプルでprocessing modeをagenticに変えたときの精度とコストを比較する。
設定は1箇所だけ変える
Google AI StudioのGemini APIまたはGemini Enterprise Agent Platformで、APIコール時のprocessing modeを"agentic"に指定するだけで有効化できる。追加費用は発生しないため、まずは非本番の検証環境で試す心理的なハードルは低い。
切り替える対象を選別する
精度差が許容範囲だと確認できたワークロードから段階的に切り替える。逆に「動画のすべてのフレームを機械的に処理した」という証跡が要件になる業務は、いったん対象から外して個別に判断する。
「選んで読む」ことのリスク
コスト削減の裏側には、見落としてはいけないトレードオフがある。agentic video understandingは、「何が質問に関係するか」をモデル自身に判断させて読む範囲を絞り込む仕組みだ。その判断が的確であれば効率は上がるが、判断を誤れば重要な区間を読み飛ばすリスクも構造的に残る。
とりわけコンプライアンスやフォレンジック（証拠保全）目的の用途では注意が必要だ。「動画全体を漏れなく機械的に処理した」ことそのものが要件になる業務では、モデルが独自に取捨選択する方式は、コスト削減のメリットよりも要件不適合のリスクが上回りかねない。こうした用途では、コストが多少高くても従来の網羅的な処理を選ぶほうが妥当な判断になる。
また、公表されている数字はいずれもGoogle自身が実施したベンチマークに基づく「最大」値であり、第三者による独立検証はまだ広く出回っていない。実運用での再現性は、今後の外部レビューやユーザーの実測レポートを待って判断するのが堅実だろう。