公開日:
Googleは、Geminiが質問に必要な場面を自律的に探す「Agentic Video Understanding」を提供開始しました。
- 要点1: Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteで利用可能
- 要点2: Google公称でトークン消費を最大88%、分析コストを最大66%削減し、精度を最大7%向上
- 要点3: 長時間動画の検索や異常候補の抽出に向くが、自社データでstatic処理との比較が必要
対象: 動画データ活用を検討する法人のAI導入・業務改善担当者
今日やること: 権利確認済みの動画を3本選び、正答と根拠タイムコードを用意する
この記事の目次
Googleは2026年9月1日、Geminiの動画解析機能「Agentic Video Understanding」を発表しました。
従来の動画理解では、一定の間隔でフレームを抽出し、動画全体を一度にモデルへ渡す方法が中心でした。新しいagenticモードでは、Geminiが質問に応じて必要な時間帯を探し、映像、音声、文字起こしを選んで確認します。
結論から言えば、長時間の研修録画、会議録画、設備映像などから特定の出来事を探す業務では、費用と精度の改善が期待できます。ただし「最大88%」はGoogleのベンチマーク上の最大値です。企業は自社動画で従来方式と比較し、品質を保ったまま総費用が下がるかを確認する必要があります。
GeminiのAgentic Video Understandingとは
Agentic Video Understandingは、Geminiが動画のどこを、どの速さで、どの情報から確認するかを動的に決める処理モードです。
Googleの公式発表によると、対象モデルは次の3つです。
| 対象モデル | 主な位置付け |
|---|---|
| Gemini 3.7 Flash | 品質と費用効率の両立を重視 |
| Gemini 3.6 Flash | 汎用的な動画理解 |
| Gemini 3.5 Flash-Lite | 軽量・低コスト用途 |
発表時点では、Google AI StudioのGemini APIとGemini Enterprise Agent Platformで、アップロードした動画と公開YouTube動画に利用できます。GeminiアプリのFlash・Flash-Liteには近日中、YouTubeの「Ask YouTube」には数カ月以内に導入予定とされています。
予定されている機能は、実際の提供開始を確認してから業務計画へ組み込んでください。
実務ポイント現時点で確実に評価できるのはAPIとGemini Enterprise Agent Platformです。将来予定の製品機能を前提に本番設計しないことが重要です。
従来の静的処理と何が違うのか
従来のstatic処理は、既定で動画を1秒当たり1フレームの固定レートで抽出し、コンテキストへ一括で入れます。短い動画の要約には分かりやすい一方、長時間動画では大量のトークンを使います。また、1秒未満の短い動作を見逃す可能性があります。
agenticモードは、質問を起点に動画の時間軸を探索します。必要な区間だけを読み込み、状況に応じてフレームレートや解像度を変え、音声や文字起こしも選択します。
| 比較項目 | static | agentic |
|---|---|---|
| 動画の読み方 | 固定レートで一括処理 | 必要区間を動的に探索 |
| 標準のフレーム抽出 | 1FPS | 質問に応じて調整 |
| 向く動画 | 短い動画 | 長時間動画、特定場面の探索 |
| 特徴 | 動作が単純で分かりやすい | トークン効率と詳細確認を両立しやすい |
| 注意点 | 細かな動作を落とす可能性 | 処理工程が増え、遅延やばらつきの評価が必要 |
開発者が動画をあらかじめ細かく分割し、質問ごとに対象区間を選ぶ実装も可能でした。agenticモードは、その探索をGemini内部のツール呼び出しで行うため、アプリ側の実装負担を減らせる点も違いです。
＼ AI導入の進め方を一緒に整理しませんか ／
AI顧問の無料相談はこちら最大88%省トークンはどう読むべきか
Googleは標準的な動画理解ベンチマークで、agenticモードにより次の改善が得られたと説明しています。
- トークン消費を最大88%削減
- 分析コストを最大66%削減
- 精度を最大7%向上
効果は、10分程度の解説動画、90分の講義、数時間の録画など、長い動画で特に大きかったとされています。Gemini 3.7 Flashは、Googleが比較したモデルの中で、精度と費用効率の組み合わせが最も良い領域に位置したという評価です。
ただし、これはGoogle公称の最大値です。動画の長さ、質問の種類、必要な詳細度、モデル、再試行回数によって結果は変わります。「すべての動画解析費用が66%下がる」という意味ではありません。
企業では、APIレスポンスのusage情報と請求実績を記録します。正答率が下がっていない試行だけを対象に、staticとagenticの入力トークン、総費用、処理時間を比較してください。
企業で使いやすい4つの業務
Agentic Video Understandingは、動画全体の要約よりも「長い動画から必要な瞬間を探す」業務で価値を出しやすい機能です。
長時間の研修・会議録画から根拠を探す
90分の研修や複数時間の会議から、特定の決定事項、質問、手順説明を探します。回答だけでなく根拠となるタイムコードを返すように指示すると、人が該当箇所を確認しやすくなります。
議事録の正本は、参加者が承認した文書や社内システムに残してください。AIの回答だけで決定事項を確定しない運用が必要です。
製造・物流映像の異常候補を絞る
設備停止、荷物の滞留、作業手順からの逸脱など、確認すべき時間帯の候補を抽出できます。関心のある区間を高いフレームレートで再確認できるため、1FPSでは捉えにくい短い変化にも対応しやすくなります。
ただし、安全停止や品質判定をAIへ直結してはいけません。まずは人の確認対象を絞る補助として使い、見逃し率を測定します。
動作や物体の回数を数える
反復作業、スポーツ動作、通過物体などの回数を数える用途です。Googleの公式例では、速い動きを必要に応じて異なるFPSで見直す仕組みが紹介されています。
実務では、対象の見え方、遮蔽、カメラ角度ごとに誤差が変わります。正解を人手で付けた検証動画を使い、許容誤差を先に決めます。
動画編集のカット候補を探す
商品説明、研修、インタビューから、特定の発言や短い動作の開始・終了位置を探せます。自動で公開するのではなく、編集者へ候補を提示する工程に組み込むと安全です。
＼ 業務自動化のお悩みをAI顧問に相談できます ／
AI顧問の無料相談はこちら利用方法とstaticの選び分け
Google AI for Developersの動画理解ガイドでは、Interactions APIの動画入力でprocessingをagenticに設定します。
interaction = client.interactions.create( model="gemini-3.7-flash", input=[ { "type": "video", "uri": video_file.uri, "mime_type": video_file.mime_type, "processing": "agentic" }, { "type": "text", "text": "重要な決定事項と根拠タイムコードを示してください" } ])interaction.stepsにprocessing_callとprocessing_resultが含まれていれば、Geminiが動画内を動的に探索したことを確認できます。
長時間動画や特定の瞬間を探す質問では、agenticから評価するのが基本です。一方、5分未満の短い動画で応答速度を重視する場合や、動画全体を固定条件で比較したい場合はstaticが適する可能性があります。
入力方法にも制約があります。
| 入力方法 | 主な制約・用途 |
|---|---|
| File API | 有料20GB、無料2GB。大きな動画や再利用向け |
| Cloud Storage登録 | 1ファイル2GB。継続利用向け |
| インライン | 総リクエスト20MB未満の短い動画向け |
| YouTube URL | 公開動画のみ。機能はプレビュー |
無料枠のYouTube URLは1日8時間までです。有料枠は動画長による上限がないと案内されていますが、料金とレート制限は変更される可能性があります。
安全に試すPoCの3ステップ
本番導入の前に、権利確認済みの動画20〜30本で比較評価します。
ステップ1：正解と根拠区間を用意する
研修、会議、設備映像など1種類の業務に絞ります。各動画について、質問、正しい回答、根拠となる開始・終了時刻を人手で記録します。
長い動画だけでなく、短い動画、速い動き、音声区間、見つけにくい一瞬の変化を含めると、向き不向きを判断しやすくなります。
ステップ2：同じ条件でstaticと比較する
同じモデル、動画、質問、出力形式でstaticとagenticを実行します。モデル世代を同時に変えると、改善がモデル変更によるものか、処理モードによるものか分かりません。
| 評価軸 | 確認内容 |
|---|---|
| 品質 | 回答正解率、根拠タイムコード、見逃し、誤検知 |
| 費用 | 入力・出力トークン、再試行を含む実課金 |
| 速度 | p50、p95の処理時間 |
| 運用 | 人の確認時間、失敗時の再実行、ログの追跡性 |
| 安全性 | 個人情報、権限外動画、禁止用途の検出 |
ステップ3：合格・停止条件を決める
品質を落として費用だけ下がる状態は成功ではありません。たとえば、正答率を維持し、根拠タイムコードの誤差が許容範囲内で、動画1時間当たりの総費用と人の確認時間が下がることを合格条件にします。
権利未確認の動画、個人情報の誤検出、想定外の外部送信が起きた場合は停止します。処理モード、モデルID、プロンプト、動画ID、usage情報、担当者の確認結果を監査ログに残してください。
＼ AI活用の「次の一手」を一緒に考えませんか ／
AI顧問の無料相談はこちら権利・個人情報・運用上の注意
動画には、顔、声、氏名、画面共有、顧客情報、著作物が含まれやすいため、テキストより慎重な管理が必要です。
- 自社が処理権限を持つ動画だけを使う
- 従業員・顧客の同意と社内規程を確認する
- 機密情報を含む場合は契約プラン、データ保持、処理地域を確認する
- 人事評価、監視、安全判断など高リスク用途へ自動適用しない
- 回答と根拠区間を人が確認してから業務へ反映する
- 元動画、派生データ、ログの保存期間と削除手順を決める
公開YouTube動画をAPIで取得できても、転載や二次利用の権利まで自動で得られるわけではありません。利用規約、著作権、社内の法務基準を確認してください。
また、公式ドキュメントは、生成AIが不正確または不適切な出力を返す可能性を示し、後処理と人による評価を推奨しています。動画の探索機能が高度になっても、最終判断の責任は利用企業に残ります。
よくある質問
Q. Agentic Video Understandingを使えるモデルはどれですか？
発表時点では、Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Liteが対応しています。利用前に最新のモデル一覧と提供状況を確認してください。
Q. Agentic Video Understandingに追加料金はかかりますか？
Google公式発表では、標準のGemini APIトークン料金が適用され、機能そのものの追加料金はありません。実際の費用はモデル、動画、出力量、再試行回数で変わります。
Q. 短い動画でもagenticを使うべきですか？
品質やトークン効率を重視する場合は候補です。ただし、5分未満の短い動画で遅延を優先する場合や、動画全体を固定条件で読む場合はstaticも比較してください。
Q. YouTube動画なら何でも解析できますか？
公開動画が対象です。非公開・限定公開動画は利用できません。YouTube URL入力はプレビューで、料金やレート制限が変わる可能性があります。解析できることと、動画を二次利用できることは別なので、権利確認も必要です。
まとめ
GeminiのAgentic Video Understandingは、動画全体を固定レートで読むのではなく、質問に必要な区間を自律的に探索する新しい処理モードです。Google公称では、長時間動画を中心にトークン消費最大88%、分析コスト最大66%の削減と、精度最大7%の向上が示されています。
企業にとって有望なのは、長時間録画の検索、異常候補の抽出、回数集計、編集支援です。ただし、最大値をそのまま費用計画へ使わず、権利確認済みの20〜30本でstaticとの比較を行ってください。品質、実課金、処理時間、人手確認、安全性を同時に測ることが、導入判断の近道です。
動画AIの導入・PoC設計を支援します
株式会社Nexaでは、動画AIを含む最新モデルの選定、評価セットの作成、データ・権限設計、業務への組み込みをAI顧問サービスで支援しています。自社のどの動画業務から試すべきかという段階からご相談いただけます。
