Gemini「エージェント型の動画理解」──毎秒1フレームで丸ごと読む代わりに、必要な区間だけ探して見直す。トークン最大88%減・費用最大66%減・精度最大7%向上（Google DeepMind、3.7 Flash・3.6 Flash・3.5 Flash-Lite）。APIの設定を"agentic"にするだけ、追加料金なし。Geminiアプリと「Ask YouTube」にも順次

2026年9月18日・日本時間時点の情報です。 Google DeepMindのブログ（9月1日）を読んだ。当サイトはGemini 3.7 Flashの発売は追ったが、同月に入ったこの動画機能は扱っていなかった。Gemini APIの使い方はGoogle AI StudioとGemini APIの手引きに。

3行まとめ

1. 何が変わるか。 これまでの動画理解は「静的」で、動画を固定のフレームレート（既定1FPS、APIで変更可）で丸ごと取り込んでいた。新しいエージェント型の動画理解は、モデルが何を見るか・どの速さで見るか・どの様相（フレーム／音声／字幕）で見るかを自分で決め、内部ツールで動画ファイルの必要な部分だけを読み込む。画像版の「agentic vision」（コード実行と画像理解の組み合わせ）と同じ発想の動画版で、開発者が手で組んでいた「該当区間を切り出して見直す」ループをモデル側が回す。
2. 数字。 標準的な動画ベンチマークで、費用最大66%減・トークン最大88%減・精度最大7%向上（グラフは3.7 Flash）。10分の解説動画から90分の講義、数時間の録画まで長いほど差が出る。向く用途として、1FPSでは落ちる1秒未満の状態変化の特定（自動編集）、数時間の動画からの「干し草の山から針」検索、注目区間を高FPSで再サンプルする異常検知、繰り返し動作や物体の数え上げを挙げる。
3. 使い方と範囲。 Gemini 3.7 Flash・3.6 Flash・3.5 Flash-Liteで、Google AI StudioとGemini Enterprise Agent PlatformのGemini APIから、動画のアップロードとYouTube動画に使える。API設定のprocessingを"agentic"にするだけで、料金は通常のトークン課金のみ・機能追加料なし。Geminiアプリの全ユーザー（FlashとFlash-Lite）に近く展開し、数か月内にYouTubeの**「Ask YouTube」**の裏側にも入る。

精度が上がる理由と対象外モデル

• 「安くなる」の仕組みが明快で、読むフレームを減らしているだけなので、精度が上がる理由は「注目区間を高FPSで見直せる」側にある。1FPSの取りこぼしが多い速い動作の動画ほど恩恵が大きい、と読める
• 当サイトのAsk YouTubeの記事で見た「視聴ページの質問機能」が、この動画理解に載り替わる予定だと本文にある
• 数字はGoogle自身の測定で、ベンチマーク名として本文に出るのはLongVideoBench。「最大」の値なので平均ではない
• 3.8 Flash（9月2日発売）は対象に書かれていない。時系列上は前日の発表なので、対応状況は別途確認が要る

ブログの記載を照合、動画は未検証

この記事の下調べで、筆者は9月18日にGoogle DeepMindのブログを取得し、対象モデル・数字・設定名（processing: "agentic"）・コード例がその原文にあることを確認した。開発者ガイドは開いていない。筆者は自分のAPIで動画を投げて試していない。

3.8対応・内訳・展開日は非公開

• 3.8 Flashでの対応
• ベンチマークの内訳（LongVideoBench以外）と「最大」の条件
• Geminiアプリ側の展開日

出典はGoogle DeepMindのブログ

• Introducing agentic video understanding with Gemini（Google DeepMind・2026年9月1日）

関連記事

• Gemini 3.7 Flashの発売
• Google AI StudioとGemini APIの手引き
• YouTube「Ask YouTube」