Google DeepMind、Gemini 3.7 Flash のモデル公開──動画解析コストを最大 66% 削減
固定 1 FPS のサンプリングに代わり、モデル自身がフレームや音声を動的に選択して読み込むエージェント型動画理解機能を Gemini API に追加した。
リリース: 2026-09-01 · 読了 3 分記事の要約
1. 核心（What）
- Google DeepMind は Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite にエージェント型動画理解機能を導入したと 2026 年 9 月 1 日に発表した。
- 動画解析におけるトークン消費量を最大 88%、コストを最大 66% 削減しつつ、精度を最大 7% 向上させる。
- 固定の 1 FPS サンプリングではなく、モデルが動的にフレーム、音声、トランスクリプトを選択して読み込む仕組みを実装した。
- Google AI Studio の Gemini API において、追加料金なしで本番利用可能となっている。
2. 影響（Why）
- 長尺動画のコストと精度のトレードオフを解消: 数時間におよぶ講義動画や会議録画を全フレーム投入して膨大なトークン料金を払う設計から、必要な区間だけを動的取得する設計へ移行できるため、社内 RAG などの運用コストを劇的に下げられる。
- 国内動画解析 SaaS における推論コストの構造改革: [国内 動画生成・解析 SaaS 業種] のような中規模事業者は、長尺映像の処理において従量課金コストを大幅に抑制できるため、API の単価設計や機能制限の前提を組み直す必要性が出てきた。
3. 根拠・詳細（How）
- 動的マルチモーダルサンプリングのアーキテクチャ: モデルがクエリに応じて視覚フレームの可変 FPS 再サンプリング、音声トラックのピンポイント抽出、トランスクリプトの事前スキャンを内部ツール呼び出しとして実行する。
- API の設定仕様: Google AI Studio の Gemini API において、動画入力の config で processing フィールドに "agentic" を指定するだけで、既存の呼び出しフローを変えずに有効化できる。
4. 展望・課題（Next）
- コンシューマー向けアプリおよび YouTube への展開: 消費者向けの Gemini アプリや、YouTube の視聴ページにおける「Ask YouTube」機能へのロールアウトが数ヶ月以内に予定されている。