Gemini、動画の必要な区間だけを見に行く「エージェント型の動画理解」を提供開始

Googleが9月1日、Gemini 3.7 Flash・3.6 Flash・3.5 Flash-Lite向けにエージェント型の動画理解を提供開始した。固定フレームレートで丸ごと取り込む方式に代えて、モデルが必要な区間とモダリティだけを取りに行く。

Google Gemini video LLM API cost

Googleは2026年9月1日、Gemini 3.7 Flash・3.6 Flash・3.5 Flash-Lite向けに、エージェント型の動画理解（agentic video understanding）を提供開始した¹。

従来の「静的」な処理は固定フレームレート（既定1FPS、APIで調整可）で動画を丸ごと取り込む。エージェント型では、視覚フレーム・音声・文字起こしをまたいで対象区間を動的に探索・走査・確認する¹
標準的な動画解析ベンチマークで、解析コストが最大66%、トークン消費が最大88%減り、精度は最大7%向上したとしている（いずれも「最大」の値で平均ではない）¹
Google AI StudioとGemini Enterprise Agent PlatformのGemini APIで使え、追加の機能料金はなく通常のトークン課金のまま。API設定でprocessingを"agentic"にすると有効になる¹

Googleは、この効率化がとくに長尺で効くとしている。静的な処理では「高いトークンコスト」か「重要な部分を落とす手法」かの二択を開発者に迫っていた、という説明だ¹。動画を丸ごとモデルに渡すとトークン代がすぐ膨らむ、という詰まりに直接効く変更で、8月に公開されたGemini 3.7 Flashを使っているならAPI設定の1行で試せる。

Sources

Introducing agentic video understanding with Gemini - Google公式ブログ（2026年9月1日）