Geminiの動画分析能力が向上、トークン最大88％減で長時間動画にも強く

　米グーグル（Google）は、生成AI「Gemini」の最新モデル向けに、「エージェント型動画理解」機能の提供を開始する。トークン消費量とコストを大幅に削減しながら、動画分析の精度が向上した。

　従来は、動画をフレーム単位で分析する静的な処理方法を採用していた。新たな「エージェント型動画理解」機能では、モデルの推論機能に動画処理ツールを組み合わせ、映像や音声、字幕を横断して動的に映像を検索・スキャンできる。

　具体的には、Geminiは目的にあわせて、どの部分を、どのような速度で視聴すべきか判断し、必要な瞬間と重要な部分に絞って情報を取得できるようになった。

　これにより、分析コストは最大66％、トークン消費量は最大88％、精度は最大7％向上した。特に10分をこえるハウツー動画や、90分の講義動画などの長尺動画で、効果が顕著に現れる。

　対応するモデルは、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteの3つ。特にGemini 3.7 Flashは、品質とコストの両面で最高のパフォーマンスを発揮できる。

　活用事例として、1fpsでは見逃す瞬間の抽出があげられている。動画編集におけるカット位置を正確に特定できるため、AIエージェントによる動画編集に活用できる。

　ほかにも、長時間動画におけるピンポイントの検索が、トークン消費を節約しながら実現できる。また、特定の時間を高フレームで見直すことで、高速な動きに対応できる「異常検出」用途にも利用できる。

　さらに、動画内で繰り返し行われる動作のカウントや、特定の物体の追跡も正確に実行できる。

　同機能は、近日中にGeminiアプリで順次展開される。また、数カ月以内に、YouTubeの動画視聴時に表示される「Ask YouTube」機能にも搭載される予定。