Google DeepMind、Geminiで長い動画を省コスト解析。会議や講義のAI活用が近づく

長い録画が、あとで使える資料になる

Google DeepMindの発表は、長い動画をあとで使える資料に近づけるものです。Geminiにagentic video understanding（目的に合わせて動画の見る場所を選ぶ機能）が加わりました。

身近な動画は、見返す時間が重くなりがちです。

・会議の録画

・講義のアーカイブ

・研修の説明動画

・YouTubeの長い解説。AIが必要な場面へ先に向かうなら、録画の価値が変わります。

質問に合わせて、見る場所を変える

従来の静的処理では、動画を固定した間隔で読みます。Googleは標準値を1 FPS（1秒に1枚の画像）と説明しました。

この読み方は分かりやすい反面、長い動画では無駄が増えます。細かく読むほど、トークン（AIが処理するデータ単位）も増えます。

新しい方式では、Geminiが目的に向けて動きます。映像、音声、文字起こしを使い、必要な場面を検索します。

人間が録画を見返す時も、全部を同じ速度では見ません。Geminiはその見返し方に近づいています。

提供条件はAPIから

今回の発表で明確なのは、API（AI機能を外部から呼び出す窓口）での提供です。使える人と場所は、まず開発者や企業の環境に寄っています。

GeminiアプリやYouTubeにも広がる予定です。ただし、日付や地域などの細かい条件は発表に書かれていません。

追加の機能料金は不要とされています。料金は通常のGemini APIトークン価格に沿います。

数字は、長い動画ほど効いてくる

Googleは、動画解析の標準ベンチマークで、トークン消費を最大88%減らせると示しました。解析コストは最大66%減ります。

精度は最大7%向上です。節約と精度が同時に出ている点が大きいです。

この意味は、処理時間の短縮だけではありません。長い動画をAIに渡す時の費用感が変わります。

今までは、詳しく読ませるほど費用や処理量が増えました。粗く読ませると、肝心な瞬間を落としやすくなります。

エージェント型の動画理解は、その中間を狙います。必要な場面では細かく見て、不要な場面は薄く通ります。

普段の仕事では、探す時間が減る

非エンジニアに近い変化は、動画の中身を探す時間です。AIを自分で開発しなくても、この考え方は製品の中に入ってきます。

たとえば、会議で合意した瞬間を探します。研修で注意点を説明した場面だけを見ます。

授業の録画から、自分が分からなかった説明を拾います。商品のデモ動画から、機能が動く場面だけを見ます。

Googleが挙げた用途も、その方向にあります。

・1秒未満の瞬間検索

・長尺動画の中の小さな手がかり探し、異常検知、動作や物体の数え上げ。動画AIは、要約するだけの道具ではありません。探す時間を減らす道具になります。

動画が検索できるものになる

文章は、検索できる資料として扱われてきました。動画は、見なければ分からない資料として残りがちでした。

Geminiの今回の発表は、その差を縮めます。映像に含まれる音、動き、場面をAIがたどれるからです。

もちろん、一般ユーザーの手元でどこまで使いやすくなるかは別です。発表時点では、入口はAPIと企業向け基盤が中心です。

それでも方向ははっきりしています。長い動画は、見るものから聞ける資料へ変わっていきます。