Gemini動画解析がトークン88%減士業の録画活用で効く3つの変化

Googleが動画解析のトークンを最大88%減らす新機能を公開しました。

Googleは2026年9月1日、Geminiの最新モデル群に「エージェント型の動画理解」を追加したとThe Keywordで公表しました。動画をまるごと一定間隔で読み込む従来方式をやめ、モデル自身が「どこを・どの速さで・どの信号で見るか」を選びながら解析する方式です。公表資料では、トークン消費が最大88パーセント、解析コストが最大66パーセント下がり、精度は最大7パーセント上がったとされています。長尺の録画データを扱う場面で、これまで費用が壁になっていた使い方の前提が変わる発表だと受け止めています。

Geminiの動画解析で何が変わったのか

変わったのは、動画をモデルに渡す取り込み方そのものです。従来は「静的処理」と呼ばれる方式で、動画を毎秒1フレーム（APIで変更可能）という固定レートで先頭から順に読み込んでいました。10分の手順動画から90分の講義、数時間の記録までを同じ調子で読むため、必要のない場面まで等しくトークンを消費します。結果として費用を抑えるかディテールを捨てるかの二択になっていたとGoogleの公表資料は説明しています。

新しいエージェント型動画理解は、Geminiの推論とネイティブの動画ツールを組み合わせ、映像フレーム・音声・文字起こしのどれを見るかを動的に選び直します。必要な区間だけを読み込み直す内部ループが働くため、開発側が手作業で区間を切り出す手間も減るとされています。処理の流れは公式ブログの図で示されています。

対応モデルは Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Lite の3つです。利用はGoogle AI StudioのGemini APIとGemini Enterprise Agent Platformから可能で、アップロードした動画に加えてYouTubeの動画も対象になります。API設定で処理方式を「agentic」に切り替えるだけで有効になり、機能追加の別料金はなく、標準のトークン課金のまま使えると案内されています。3モデルのうち品質とコストの両立でもっとも優れているのは Gemini 3.7 Flash だと公表資料は位置づけています。

なぜ長尺動画のコスト減が重要なのか

重要なのは、削減率そのものよりも「これまで採算に合わなかった長さの動画が解析対象に入ってくる」点にあります。公表資料が挙げる用途は4つで、1秒未満の状態変化を拾うモーメント検索、数時間の動画から一点を探す長尺検索、高フレームレートで再サンプリングする異常検知、繰り返し動作や物体の計数です。いずれも「短い動画なら人間が見ればよい」ものばかりで、価値が出るのは長尺のときだけでした。その探索にかかる費用が大きく下がるという話です。

士業の事務所にとっては、業務のなかで録画・録音の形で貯まっているデータをどう扱うかという論点につながります。オンライン面談の録画、社内研修の記録、現地確認の動画、会議の録画。どれも「見返す時間がないので事実上死蔵している」という声を聞く領域です。長尺の探索コストが下がると、こうした資産の棚卸しをツール選定の検討テーマに載せる事務所が出てくる段階に入ったと見ています。すでに音声側ではGemini 3.5 Transcribeの発表で議事録の一次処理が話題になっており、映像側にも同じ流れが来た形です。

一方で、士業がこの種の機能を検討するときに切り離せないのが、入力データの取り扱いです。GeminiのAPIに関する追加利用規約では、有料サービスを利用する場合、入力したプロンプトや画像・動画・文書などのファイル、および応答をGoogleが自社製品の改善に利用しないと記載されています。一方で無償の枠で送信した内容は、製品や機械学習技術の提供・改善・開発に利用され得るとされ、人によるレビューが入る可能性も明記されています。守秘義務を負う立場でどの枠を使うかは、機能の性能とは別の軸として確認しておきたい部分です。導入時点の規約原文を各事務所で読み直す前提で捉えるのが現実的です。

今後の動きと見ておきたい点

Googleは今回の機能を開発者向けAPIにとどめず、Geminiアプリの Flash および Flash-Lite に順次展開し、さらに今後数か月のうちにYouTubeの「Ask YouTube」機能の基盤にも使うと述べています。開発者が明示的に設定して使う機能から、一般利用者が意識せず使う機能へ降りてくる流れです。

見ておきたい点は3つあります。1つ目は、日本語音声を含む動画で同じ削減率が出るかどうかです。公表されているベンチマークは LongVideoBench などの標準指標で、日本語の会議録画のような実務データでの数値は現時点の公表資料からは確認できません。2つ目は、Flash系3モデルに限定された対応が上位モデルへ広がるかどうかです。3つ目は、コスト構造が変わったことで、これまで料金表だけでモデルを比較していた判断が成り立ちにくくなる点です。同じモデルでも処理方式の指定でトークン量が数倍変わるなら、比較の単位は「1トークンあたりの単価」ではなく「1件の処理あたりの総額」に寄っていきます。この見方は、トークン上限の設計を扱ったエージェント機能とトークン上限の回や、Gemini 3.7 Flashを書類の一次処理に使う整理とも地続きです。

まとめ

Googleは2026年9月1日、Gemini 3.7 Flash・3.6 Flash・3.5 Flash-Lite にエージェント型の動画理解を追加し、トークン最大88パーセント減、コスト最大66パーセント減、精度最大7パーセント向上という数値を公式ブログで示しました。追加料金はなく、API設定を「agentic」にするだけで有効になります。長尺の録画資産を扱う前提が変わる発表であり、士業の事務所としては、性能の数値と入力データの取り扱い規約を並べて見ておく段階です。

参考文献

※士業のチカラでは、生成AIの導入支援から運用最適化まで、貴事務所の業務に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://shigyonochikara.jp/contact/

引用元: Google The Keyword

本記事の作成体制について

本記事は士業のチカラ編集部が、公表されている一次情報のみを根拠に作成しています。法令の条文はe-Gov法令検索の原文で、行政の見解は各府省庁の公表資料で、それぞれ確認したうえで記載しています。引用元は本文中および参考文献にすべて明示しています。

本記事には特定の資格者による監修は入っていません。個別の事案について法令の当てはめや手続の可否を判断する必要がある場合は、当該分野の有資格者にご相談ください。本記事は一般的な情報提供を目的としたものであり、個別具体的な法律判断・税務判断・労務判断を提供するものではありません。

記載内容に誤りを見つけられた場合は、お問い合わせよりご指摘ください。確認のうえ速やかに訂正し、訂正履歴を記事内に残します。編集方針の詳細は運営者情報をご覧ください。