Googleは2026年9月1日、Gemini 3.7 Flash・Gemini 3.6 Flash・Gemini 3.5 Flash-Liteの3モデルに「エージェント型動画理解（agentic video understanding）」機能を追加したと発表した。動画をあらかじめ全フレーム処理するのではなく、モデル自身が必要な瞬間だけを能動的に検索・スキャン・検査する仕組みで、トークン消費量を最大88%、コストを最大66%削減しながら精度を最大7%向上させたという。

「静的処理」から「動的検索」への転換

これまでのGeminiの動画理解は、動画を均一なフレームレートでサンプリングし、すべてのフレーム・音声・文字起こしを一律に処理する「静的」な方式だった。長時間の動画では扱うトークン数が膨大になり、コストと処理速度の両面で制約になっていた。

新方式では、モデルが質問の意図に応じて動画内を動的に探索する。フレーム・音声・文字起こしのうち、回答に必要な瞬間だけを選んで処理するため、数百万トークンを消費せずに長時間動画への複雑な質問に答えられるとGoogleは説明している。

具体的な機能と有効化方法

Googleが挙げる主な機能は以下の4つだ。

  • サブ秒単位の瞬間検索：動画のフレームレートの制約を超えた精密な動作検出
  • 長時間動画の検索：数百万トークンを消費せずに複雑な質問へ対応
  • 異常検知：高速な動きや微妙な視覚的アーティファクトの検出
  • カウント機能：繰り返される動作や個別オブジェクトの追跡

開発者はAPI設定で処理方式を「agentic」に指定するだけでこの機能を有効化できる。料金は標準のGemini APIトークン価格のままで、追加費用は発生しない。Google AI StudioおよびGemini Enterprise Agent Platformを通じて今すぐ利用可能だ。

開発者・ユーザーへの影響

長時間の監視カメラ映像やスポーツ中継、講義動画などを扱うアプリケーションでは、これまで動画全体をトークン化するコストがボトルネックになりやすかった。エージェント型検索によって必要な部分だけを処理できるようになれば、動画解析を組み込んだプロダクトの運用コストは大きく下がる。

Googleはこの機能を今後Geminiアプリ、続いてYouTubeの「Ask YouTube」機能にも展開する計画を示しており、消費者向けサービスでも「動画に対して質問すると、必要な場面だけを探し出して答える」体験が広がる見込みだ。