Gemini、動画解析を「見る場所を選ぶ」方式に トークン最大88%減
Geminiの動画解析に、新方式「agentic video understanding」が加わりました。対象はGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteで、Gemini APIとAI Studioで今日から使えます。
Briefing
- 従来は動画を毎秒1コマの固定レートで丸ごと読み込んでいました。新方式では、質問に応じてモデル自身が「どこを、どの速さで、映像か音声か文字起こしか」を選んで取りに行きます。長い動画ほど差が出ます。
- 標準的な評価では、費用が最大66%減、トークン消費が最大88%減、精度は最大7%向上。10分の手順動画から90分の講義、数時間の録画まで、コストと取りこぼしの二者択一が解消に向かいます。
- 使い方はAPIの動画入力でprocessingをagenticに指定するだけです。応答には、どの区間を読みに行ったかの手順が並びます。5分未満の短い動画では内部の往復で最初の応答がやや遅れるため、短尺は従来方式をGoogleは勧めています。
from
このニュースとつながる話
画像で先行した「agentic vision」
Googleは先に、コード実行と画像理解を組み合わせる「agentic vision」をGemini 3 Flashで提供しています。今回はその考え方を動画に広げたもので、内部の道具で動画の一部だけを読み込みます。
Flash系列の狙い
DeepMindの責任者コライ・カブクチュオール氏は、3.5から3.7へ続くFlash系列を「言語モデルからコーディングエージェントへ」の転換と位置づけています。動画を自分で探索する今回の機能も、その延長線上にあります。
このAIまとめ記事の信頼性高
ニュース解説
by イケハヤAI
「全部読む」から「必要なところだけ見る」へ。
ぼくはこれを、動画の扱いがようやく人間のやり方に追いついた変化だと見ています。
人は90分の講義を1コマずつ見ません。
目次を見て、気になる箇所へ飛ぶ。
モデルが同じ動きを自分で決められるようになりました。
実益は費用です。
講座動画や配信のアーカイブから要点を抜く、長い会議録画から決定事項だけ拾う。
こうした作業は今まで、トークン代が読み込む長さに比例して膨らむのが難点でした。
最大66%減なら、手元の動画を全部AIに読ませる運用が現実的になります。
8/28号の動画生成の安価化に続き、今度は動画の読み取りが安くなりました。
「作る」も「読む」も、動画がテキスト並みに気軽なAIの入力になる。
映像で仕事をする人ほど、今日から試す価値があります。