Google DeepMind（グーグル・ディープマインド）は2026年8月31日(現地時間)、同社の生成AIモデルGemini（ジェミニ）の最新版（3.7 Flash、3.6 Flash、3.5 Flash-Lite）向けに、動画理解の新機能「agentic video understanding（エージェンティック・ビデオ・アンダースタンディング）」を導入したと発表しました。この機能により、動画分析の精度向上と、トークン消費量およびコストの大幅な削減が可能になります。
Google DeepMindによると、この新機能は従来の静的処理（static processing）とは異なり、Geminiのコア推論とネイティブ動画ツールを組み合わせ、動画セグメントを動的にスキャンします。これにより、分析コストを最大66%削減し、トークン消費量を最大88%削減することが可能となり、精度はベンチマークで最大7%向上することが確認されています。特に長尺動画の分析において、これらの効率向上は顕著です。
agentic video understandingの具体的な利用用途として、サブ秒単位の瞬間検索、マルチアワー動画に対する複雑なクエリ応答、異常検知、動作やオブジェクトの正確なカウントなどが挙げられます。開発者はGoogle AI StudioおよびGemini Enterprise Agent PlatformのGemini APIを通じて、API設定で「agentic」を指定することで本日から利用可能です。この機能には追加の費用は発生せず、標準のGemini APIトークン料金が適用されます。
Googleは今後、このagentic video understandingをGoogle製品全体に展開する予定です。GeminiアプリではFlashおよびFlash-Liteモデル向けに近日中にロールアウトし、数ヶ月以内にはYouTubeにも導入され、動画の視覚情報に基づいた高品質な回答を提供すると説明しています。
参考: DeepMind Blog (アーカイブ) — 2026年9月1日 09:00 (JST)