Gemini、自律型動画解析機能をリリース

Googleは本日、最新モデルGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteにおけるエージェント型ビデオ理解機能の提供を開始した。本機能は従来の固定フレームレートによる静的処理に代わり、モデルの推論能力とネイティブビデオツールを統合し、動画の視覚フレーム、音声、字幕データを自律的に検索・分析する仕組みを実現する。これにより、サブ秒単位の特定シーンの抽出、高精度な異常検知、正確な物体計数など、従来困難とされてきた動画分析タスクの新たな展開が可能となる。 同機能の核心は処理の動的適応性にある。従来の手法では動画全体を固定速度で読み込む必要があり、長時間動画の処理ではトークン消費量が肥大化するか、重要な情報が欠落するリスクが生じていた。今回実装されたエージェント型ループにより、Geminiモデルは分析目標に応じて動画の解析対象を自律的に判断し、必要なセグメントのみを取得する。この仕組みにより、開発者が手動で処理パイプラインを構築する必要がなくなり、実装負荷が大幅に軽減される。 ベンチマーク試験によると、本機能の導入により標準的な動画分析タスクでのトークン使用量は最大88％削減され、分析コストは最大66％削減される一方、精度は最大7％向上した。特に長時間動画における恩恵が顕著である。対応モデルのうちGemini 3.7 Flashは精度とコスト効率の両面で最良のパレートを達成し、実務利用における最適な選択肢となる。 本機能は現在Google AI StudioおよびGemini Enterprise Agent PlatformのGemini APIを通じて利用可能であり、動画ファイルのアップロード機能およびYouTube動画の分析に対応している。静的処理に依存していた従来技術の課題を根本から解決し、動画分析のワークフローを効率化するとともに、開発者のリソースを付加価値の高い応用開発に集中させることを可能にする。Googleはこの新機能により、エンタープライズにおける動画コンテンツの自動化処理標準を再定義する方針だ。