Google、動画解析モデル Gemini 3.7 Flash などを公開──エージェント処理でトークン消費を 88% 削減
静的なフレームレート処理に代わり、モデル自らが動的に動画や音声を探索するエージェント型ビデオ理解機能を実装し、長文脈の解析コストを大幅に圧縮した。
リリース: 2026-09-01 · 読了 3 分記事の要約
1. 核心（What）
- Google は 2026 年 9 月 1 日、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite の 3 モデルにおいて、エージェント型ビデオ理解機能を公開した。
- 標準的なビデオ解析ベンチマークにおいて、解析コストを最大 66%、トークン消費量を最大 88% 削減しつつ、精度を最大 7% 向上させた。
- API の設定で processing パラメータを agentic に指定するだけで有効化でき、Google AI Studio および Gemini Enterprise Agent Platform で利用可能である。
- 数分から 90 分以上の講義、マルチアワーの記録動画など、長尺動画の特定シーン検索や異常検知において高い効果を発揮する。
2. 影響（Why）
- 長尺動画のトークンコスト激減: 数時間に及ぶ動画データを丸ごと投げていた従来の静的処理と比べ、必要な瞬間だけ動的にフェッチする設計により、API コストの制約で諦めていた長尺動画の全自動解析が実用的な予算に落ちる。
- 国内動画 SaaS への実務インパクト: [国内 動画生成・編集 SaaS 業種] のような中規模事業者は、コスト負担の大きかった長尺動画の自動アノテーションや特定シーン検索の機能を、追加の特殊インフラなしで標準 API に移行できる。
3. 根拠・詳細（How）
- 動的探索を行うエージェントループ機構: 固定の 1 FPS で全フレームを取り込む静的処理とは異なり、モデルが自身の推論とネイティブ動画ツールを組み合わせてフレーム・音声・トランスクリプトを動的に検索・スキャンし、必要な瞬間だけを読み込む。
- API の設定と対応環境: Google AI Studio および Gemini Enterprise Agent Platform 経由で提供され、通常の Gemini API トークン価格体系のまま processing="agentic" を指定して呼び出す仕様。
4. 展望・課題（Next）
- Google 生態系への順次ロールアウト: Flash および Flash-Lite モデルを搭載した Gemini アプリへの全ユーザー展開や、今後数ヶ月以内の YouTube の「Ask YouTube」機能への統合が予定されている。