Googleが9月1日に出した発表を読んでいて、数字のところで手が止まりました。
トークン消費が最大88%減、コストが最大66%減、そのうえで精度が最大7%向上。減らして良くなっている。普通は逆です。
「Agentic video understanding」という機能で、Geminiが動画を扱うやり方そのものを変えたという発表でした。動画をAIに読ませたことがある人には、地味に効く話だと思うので整理します。
これまでは、決まったコマ数で見ていた
動画をAIに読ませるとき、内部では動画を静止画に分解している。1秒あたり何枚に切るかは固定で、そこに一律の処理をかけていました。
この方式には無駄と取りこぼしが同居します。何も動いていない場面も同じ密度で見るので無駄が出る。逆に一瞬で切り替わる場面は、コマとコマの間に落ちて見えない。
今回変わったのは、モデル自身が「何を・どの速度で・どの形式で見るか」を判断するようになった点です。ざっと流す場所は流し、細かく見る必要がある場所だけ密度を上げる。人間が早送りとコマ送りを使い分けるのに近い動き方をします。
できるようになったこと
発表で挙がっているのは主にこの5つでした。
| 機能 | 中身 |
|---|---|
| 動的スキャン | 固定フレームレートをやめ、見る速度をモデルが決める |
| サブ秒単位の検出 | 1秒未満で切り替わる変化を捉える |
| 長尺の検索 | 数時間の動画から必要な箇所を取り出す |
| 異常検知 | 怪しい箇所だけ高フレームレートで見直す |
| カウント | 繰り返し出てくる動きや物体を数える |
「異常検知」の説明が面白くて、一度ざっと見てから、気になった箇所だけ高いフレームレートで再スキャンするという動き方をします。全編を高密度で見るより速く、しかも見落としが減る。理屈としては納得がいきます。
数字を見る
公式が示した数字はこうです。
| 指標 | 変化 |
|---|---|
| トークン消費 | 最大 88%削減 |
| コスト | 最大 66%削減 |
| 精度 | 最大 7%向上 |
いずれも「最大」なので、条件のいい場面での数字だと読むべきです。実際の削減幅は動画の中身によって変わるはずで、そこまでは発表に書かれていませんでした。
とはいえ、動画をAPIで処理している人にとってトークン消費が桁で減る可能性があるのは大きい。動画は画像やテキストに比べて消費が重く、そこが料金の大半を占めるからです。
88%削減が、いくらの話なのか
削減率だけ見ても実感が湧かないので、公式の料金ページから円に直しました。1ドル156.25円で計算しています。
| モデル | 入力100万トークンあたり | 円換算 |
|---|---|---|
| Gemini 3.7 Flash | $0.75 | 117円 |
| Gemini 3.6 Flash | $0.75 | 117円 |
| Gemini 3.5 Flash-Lite | $0.30 | 47円 |
仮に、ある動画の処理に100万トークン使っていたとします。Gemini 3.7 Flash なら117円。これが88%減れば14円です。100本処理すれば、11,700円が1,400円になる。
動画1本が何トークンになるかは中身と長さで変わるので、上の100万トークンはあくまで計算のための仮定です。実際の数字はご自身の使い方で測ってください。ただ削減幅が桁で効いてくることは、この計算でも分かります。
見落としやすい話がひとつある
料金ページを読んでいて気づいたのですが、この価格は2026年12月31日までの期間限定です。
| モデル | 2026年12月31日まで | 2027年1月1日から |
|---|---|---|
| Gemini 3.7 Flash（Standard） | $0.75 | $1.50 |
| 同（Batch / Flex） | $0.375 | $0.75 |
| 同（Priority） | $1.35 | $2.70 |
年明けから、すべて2倍になります。 公式ページに「$0.75 through December 31, 2026. $1.50 starting January 1, 2027.」と明記されています。
つまり、いまトークン消費を88%削減できるかどうかは、来年になると重みが変わります。単価が2倍になった状態で消費が8倍のままだと、支払いは16倍です。年内に処理の組み方を見直しておく価値はありそうです。
なお Gemini 3.5 Flash-Lite は $0.30 で、テキスト・画像・動画・音声のすべてが同じ単価でした。こちらは値上げの記載が見当たりませんでしたが、変わらないと決まったわけではありません。
どのモデルで使えるのか
対象は3つです。
- Gemini 3.7 Flash
- Gemini 3.6 Flash
- Gemini 3.5 Flash-Lite
公式はGemini 3.7 Flash が精度とコストのバランスで最も良いとしています。使えるのは Gemini API（Google AI Studio経由）と Gemini Enterprise Agent Platform。
Geminiアプリへの展開は「今後」、YouTubeの「Ask YouTube」機能への搭載は「数か月以内」と書かれていました。いま触れるのは開発者向けの入口だけ、というのが正確なところです。
制限はどこにも書かれていない
気になったので探しましたが、扱える動画の長さや対応形式についての記載が発表の中にありませんでした。「数時間の動画」という表現は出てくるものの、上限が何時間なのかは書かれていない。
実際に投げてみないと分からない部分でしょう。ここは確認が取れ次第、追記します。
動画を作る側から見ると
この発表は「動画を作る」機能ではなく「動画を読む」機能の話です。ただ、作る側にも効きます。
生成した動画を検品する工程が思い当たります。手が6本になっていないか、途中で人物が入れ替わっていないか、フレームの継ぎ目で破綻していないか。こうした確認は、いまは人間が目視するしかありません。
サブ秒単位の変化を捉えて異常を検知できるなら、この工程を機械に任せられる可能性があります。少なくとも「怪しい箇所だけ人間が見る」形には持っていけるかもしれない。まだ試していないので断定はできませんが、試す価値はありそうです。
出典
2026年9月7日に確認しました。数値と仕様はすべてGoogle公式の発表から。動画の長さの上限、対応形式、日本語での挙動については発表に記載がなく、確認できていません。
- Introducing agentic video understanding with Gemini（Google・2026年9月1日）
- Google DeepMind Blog
- Gemini API pricing（Google）── 各モデルの単価と2027年1月からの改定
