Geminiにエージェント型の動画理解を導入Introducing agentic video understanding with Gemini
匿名の公開いいねです。記事の保存・お気に入りではなく、Featured、Top 3、重要度、掲載順位には影響しません。仕組みとプライバシーAnonymous public likes are reactions, not saved articles or bookmarks. They do not affect Featured, Top 3, importance, or listing order.How it works and privacy
- Geminiにエージェント型の動画理解が導入され、映像を能動的に分析する新たなアプローチが示されました。
- 動画内の内容や文脈から必要な情報を把握したい利用者に、より高度な理解手段を提供します。
- Gemini gains agent-driven capabilities for interpreting video, adding a more active approach to visual analysis.
- It helps users find needed information and context in footage.
本ページの本文と要約は AI による自動生成です。日本語版と英語版は言語ごとに独立して生成されるため、表現や詳しさが異なる場合があります。正確性は元記事 (deepmind.google) をご確認ください。The body and summaries are AI-generated independently for each language, so wording and detail may differ. Verify accuracy at the original source (deepmind.google).
要約と収集メタデータに基づく AI 解説。元記事全文の転載・翻訳ではありません。AI explainer based on the summaries and collected metadata, not a copy or translation of the full source article.
Geminiに、動画を能動的に分析するエージェント型の動画理解が導入された。動画分析の精度を高めながら、トークン消費量とコストを抑えられる点が重要な特徴として示されている。
エージェント型
新機能では、モデルが動画のセグメントを動的に走査する。映像内の内容や文脈を踏まえ、利用者が必要とする情報を把握するための、より能動的な分析手法と説明されている。従来とは異なるエージェント駆動の能力を加えることで、動画の解釈を高度化する位置付けだ。
動画分析
Google DeepMindの説明によると、エージェント型の動画分析により、トークン消費量を最大88％削減し、コストを最大66％削減できる。さらに、品質は最大7％向上するとされる。動画セグメントを動的に走査する仕組みが、精度の改善とトークン使用量の削減につながると説明されている。
対象モデル
エージェント型の動画理解は、Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Liteに導入された。Googleは、これらのモデル全体で同機能を提供するとしている。
利用方法
利用するには、Google AI StudioまたはGemini Enterprise Agent Platformで、API設定を「agentic」に指定する。公開時点ですでに利用を開始できると案内されている。なお、収集元ではコンテンツと要約がGoogle AIによって生成され、生成AIは実験的であるとも明記されている。
Agentic video understanding
Google has introduced agentic video understanding for Gemini, adding a more active approach to video analysis. The feature matters because the announcement reports lower token consumption and costs alongside an improvement in quality.
The launch covers Gemini 3.7 Flash, Gemini 3.6 Flash, and Gemini 3.5 Flash-Lite. According to the source, agentic video understanding is available across these latest models.
Dynamically scan video segments
The technical change allows a model to dynamically scan video segments. Rather than describing a separate video product, the announcement presents this as a new way for Gemini models to analyze footage and identify needed information and context within it.
The existing summary characterizes the approach as enabling more active analysis of video content. The source says this dynamic scanning improves accuracy while reducing the resources consumed during analysis.
Token consumption and costs
Google says the agentic feature can cut token consumption by up to 88% and reduce costs by up to 66%. It also reports a quality improvement of up to 7%.
These figures are stated as maximum reductions or gains, rather than fixed results for every analysis. The source does not provide additional benchmarks, testing conditions, or a breakdown of how the reported quality increase was measured.
Google AI configuration
The feature can be used by setting the API configuration to “agentic.” The announcement identifies Google AI Studio and the Gemini Enterprise Agent Platform as the places where this configuration can be applied.
The source says users can start using the capability today. It also notes that the content and summaries were generated by Google AI, and states that generative AI is experimental.
ポコとTECHガイドPoko & TECH Guide
ポコと当サイトのTECHガイドが、記事の要約と収集した情報から読みどころを語るAI生成の対話です。Poko and TECH Dashboard's own TECH Guide discuss the article's highlights in an AI-generated conversation based on its summary and collected source details.
- ポコPokoこれは普段の動画チェックで何が変わるの？ 欲しい場面や文脈を、Geminiがもっと自分で探してくれる感じ？What changes in everyday video checking? Does Gemini more actively look for the scene or context you need?
- TECHガイドTECH Guideそうじゃな。この記事では、Geminiが動画の区間を動的に調べ、必要な情報や文脈を捉えやすくする機能だという。That’s the idea. The article says Gemini can dynamically inspect video segments, making it easier to identify needed information and context.
- ポコPoko前はできなかったの？ 動画を最初から最後まで全部読むようなやり方だったのかな。Couldn’t it do this before? Was it more like reading the whole video from start to finish?
- TECHガイドTECH Guide以前の詳しい仕組みまでは、ここでは分からんのう。ただ新機能では区間を動的に走査し、精度を上げつつトークンと費用を減らすとしている。The earlier mechanism isn’t detailed here. But this new feature dynamically scans segments and is said to improve accuracy while reducing token use and cost.
- ポコPokoへえ、一番の収穫は、動画を全部同じ重さで調べずに必要なところへ近づけることなんだね。Wow, so the biggest takeaway is that it can get closer to the relevant parts instead of treating every part of a video the same.
- TECHガイドTECH Guideうむ。その使い方なら、API設定を「agentic」にし、対象のGeminiモデルで利用できる点に注目じゃよ。Exactly. For using it, note that the API must be set to “agentic” and that it is available on the listed Gemini models.
