Gemini動画解析のコストを下げる5か所｜エージェント型
「1時間の会議録画をそのままAIに投げたら、想定の何倍も費用がかかった」——動画をAIに処理させはじめた方から、いちばん多く聞く話です。
結論から言うと、動画のAI処理は「動画の長さ」で課金されます。既定の設定では1秒あたり約100トークン。1時間なら約36万トークンです。同じ会議を文字起こしテキストで渡した場合はおおむね2万トークン前後なので、桁がひとつ違います。2026年9月1日にGoogleが発表した「エージェント型動画理解」は、まさにこの差を埋めにきた機能です。
株式会社Fyveは、打ち合わせ録画やセミナー動画を日常的にAIで処理しています。この記事では公式発表の範囲を先に確定させたうえで、私が実際に組んでいる経路と、どこを削るとコストが下がるのかを実務目線で整理します。
結論：削れる場所は5つある。エージェント型はそのうちの1つ
先に答えを置きます。動画をAIに処理させるコストは、次の5か所で決まります。上から順に効きます。
- ① そもそも動画で渡すのか（音声だけ・文字起こしだけで足りないか）
- ② 動画のどの区間を渡すのか（頭から終わりまで全部か、必要な10分だけか）
- ③ 1秒あたり何枚の画を見せるのか（フレームレート）
- ④ 1枚の画をどれだけ細かく見せるのか（解像度）
- ⑤ 全部を機械的に取り込むのか、モデルに選ばせるのか（処理方式）
今回追加されたエージェント型動画理解は、このうち⑤だけを変える機能です。効果は大きい（公式が「最大88%のトークン削減」と示しています）のですが、①〜④を放置したまま⑤だけ切り替えても、思ったほど下がらないことがあります。順番が大事です。
2026年9月1日に発表された内容（公式の範囲）
まず、公式が言っていることだけを確定させます。ここを曖昧にしたまま実務判断をすると、あとで「そんな話ではなかった」となります。
何ができるようになったのか
Googleは2026年9月1日、Geminiに「エージェント型動画理解（agentic video understanding）」を導入したと発表しました。公式ブログの説明はこうです。モデルの推論能力とネイティブの動画ツールを組み合わせ、視覚フレーム・音声・文字起こしをまたいで、対象となる動画の区間を動的に検索・走査・精査する、というものです。
平たく言えば、これまでは「動画を決まった間隔で機械的に全部取り込んでから考える」だったのが、「まず質問を読み、必要そうな場所を自分で探しに行き、そこだけ詳しく見る」に変わったということです。
対象モデルと有効化の方法
対象は Gemini 3.7 Flash / 3.6 Flash / 3.5 Flash-Lite です。上位のProではなく、まずFlash系に入りました。使い方は難しくありません。APIの動画入力の設定で、処理方式を既定の静的処理から agentic に指定するだけです。
提供経路は、Google AI Studio 経由の Gemini API と、Gemini Enterprise Agent Platform。アップロードした動画とYouTube動画の両方が対象です。料金は標準のGemini APIトークン料金がそのまま適用され、この機能そのものに追加料金はかかりません。
数字の読み方に注意したい3点
公式が挙げている数字は「分析コスト最大66%削減／トークン消費量最大88%削減／精度最大7%向上」です。魅力的ですが、そのまま自社の見積もりに使うと外します。
- 比較対象は「静的処理」。固定のフレームレートで動画を丸ごと取り込む従来方式との比較です。もともと区間を絞って渡していた人にとっては、削減幅はこれより小さくなります
- すべて「最大（up to）」。標準的なベンチマークでの上振れ値であって、自社の動画で必ず出る数字ではありません
- 効果は長尺で顕著と公式が明言しています。数分の短い動画では、探しに行く手間のぶん、うまみが薄くなります
「88%減」を予算根拠にするのではなく、「長い動画ほど効く仕組みが入った」と理解して、自社の実データで測るのが正しい向き合い方です。
そもそも「動画をAIに読ませる」とは何をしているのか
コストの話をする前に、中身の理解が要ります。ここが分かると、なぜ削れるのかが腹落ちします。
動画は「静止画の連続＋音声＋文字起こし」に分解されて渡っている
モデルは動画をそのまま「見て」いるわけではありません。既定では1秒あたり1枚の静止画に切り出し、そこに音声と文字起こしを添えて、まとめてモデルに渡しています。
つまり10分の動画は600枚の画像、1時間の動画は3,600枚の画像として扱われます。「長さで課金される」の正体はこれです。中身が動きの少ない画面録画でも、静止した会議室の定点撮影でも、枚数は同じだけ発生します。
1秒＝約100トークン。1時間で約36万トークン
公式ドキュメントに明記されている数字です。既定の低い解像度設定で1秒あたり約100トークン、高い解像度設定では1秒あたり約300トークン。ここから計算すると次のようになります。
動画の長さ | 低解像度（既定） | 高解像度 |
|---|---|---|
5分 | 約3万トークン | 約9万トークン |
30分 | 約18万トークン | 約54万トークン |
1時間 | 約36万トークン | 約108万トークン |
3時間 | 約108万トークン | 約324万トークン |
※1秒あたりのトークン数は公式ドキュメントの数値、合計は単純計算による概算です。
この表を見ると、公式ドキュメントが書いている制限の意味も分かります。100万トークンのコンテキストを持つモデルで、既定の低解像度なら最大3時間、高解像度なら最大1時間まで。高解像度で1時間を超えると、そもそも入り切らないのです。
文字起こしテキストと比べると約18倍
ここが実務でいちばん効く比較です。日本語の会話は1分あたりおよそ300〜400字。1時間の打ち合わせを逐語で文字起こしすると、実務上はおおむね2万字前後になります。日本語はおおまかに1文字が1トークン前後として扱われるので、テキストで渡せば2万トークン程度です。
同じ1時間の会議が、動画のままなら約36万トークン、文字起こしなら約2万トークン。ざっと18倍の開きがあります。
だから最初に問うべきは「どう安く動画を処理するか」ではなく、「そもそも動画で渡す必要があるのか」です。発言内容だけが欲しいなら、動画を渡すのは18倍の遠回りです。
「長さで課金される」が効いてくる、意外な場面
1時間の会議録画なら、まだ想像がつきます。実務で計算が狂うのは、長く回りっぱなしになっている動画のほうです。
- 定点カメラの記録。店舗や現場に据えた映像は、8時間・24時間という単位で溜まります。8時間はそれだけで約288万トークン。1日ぶんを丸ごと渡すという発想自体が成立しません
- 画面録画の長回し。作業の様子を録りっぱなしにしたファイルは、実質的な中身が5分でも、長さは2時間あります。中身の濃さではなく、長さで請求されるという原則がいちばん残酷に出ます
- 配信のアーカイブ。開始前の待機画面や終了後の余白が、そのままトークンになります
いずれも共通しているのは、「見たい部分が全体のごく一部」という点です。だからこそ、次章以降の「区間を絞る」「モデルに探させる」がまともに効いてきます。
動画の渡し方は3通りあり、上限がそれぞれ違う
コストと並んで実務でつまずくのが、「そもそも渡せるのか」という制限です。公式ドキュメントに書かれている3つの経路を整理します。
渡し方 | サイズ上限 | 向いている場面 |
|---|---|---|
インライン（データを直接埋め込む） | 100MB未満 | 短い動画・1回きりの処理 |
File API（先にアップロードして参照） | 有料20GB／無料2GB | 100MB超の大きいファイル、10分以上の長尺、同じ動画を何度も使う場合 |
YouTubeのURLを指定 | 無料枠は1日8時間ぶんまで | 公開済みの動画・セミナーアーカイブ |
実務上のポイントは2つです。
ひとつめ。同じ動画に何度も質問するなら、File API 一択です。インラインで毎回埋め込むと、そのたびに丸ごと送ることになります。「まず要約させて、次に登場人物を洗い出させて、最後に決定事項だけ抽出させる」といった多段の使い方をするなら、アップロードは1回にまとめるべきです。
ふたつめ。無料枠で試して本番の見積もりを立てないこと。YouTube経由には1日あたりの上限があり、File APIも無料と有料で容量が10倍違います。試作が通ったからといって、同じ感覚で日次運用に乗せると、初日で壁に当たります。
私は動画をそのままAIに渡していない
ここから実運用の話です。私は打ち合わせ録画やセミナー動画を日常的に処理していますが、動画ファイルをそのままモデルに投げる経路は使っていません。
実際に組んでいる経路
手順はシンプルです。
- ffmpeg で動画から音声だけを抜く（映像は捨てる）
- 手元のMacで whisper.cpp を回して文字起こしする（Metal で高速化。30分の音声でおおむね2〜3分）
- 出来上がったテキストと「出力の型」をAIに渡して要約させる
この3ステップを1つのコマンドにまとめて、動画を指定すれば要約マークダウンが出てくる状態にしています。具体的な組み方は別記事で手順を追って書いています。
なぜこの経路にしたのか（コストは3番目の理由）
意外に思われるかもしれませんが、コストは一番の動機ではありませんでした。
- 1. 打ち合わせ録画を外に出さなくて済む。文字起こしまでを手元で完結させれば、録画そのものはどこにもアップロードされません。相手のある会話を扱う以上、これがいちばん重い理由です
- 2. 中間物が手元に残る。逐語テキストというファイルが必ず1つ残ります。要約がおかしいと思ったとき、元に戻って確かめられます
- 3. 安い。上に書いたとおり18倍の差があります。ただし、これは結果的についてきた利点です
エージェント型は「私が人力でやっていた選別」をモデル側に移した
今回の発表を読んで最初に思ったのがこれでした。「必要な部分だけを選んで渡す」という作業を、これまでは人間が前工程でやっていたのです。映像を捨てる、音声だけ抜く、要る区間だけ切り出す——全部それです。
エージェント型動画理解は、その選別をモデルの内側に持っていきました。だから安くなる。原理は同じで、担当者が変わっただけです。
そして担当者が変わったことによる副作用が、次の章の話になります。
コストを下げる5つの手段（順番が大事）
冒頭に挙げた5か所を、上から具体的に見ていきます。
① そもそも動画で渡さない
いちばん効きます。判断は「映像に答えがあるか」の一点です。
- 映像が要らない例：会議の議事録、セミナーの内容要約、インタビューの書き起こし、電話商談の振り返り。これらは発言内容が答えなので、音声→テキストで足ります
- 映像が要る例：操作手順の画面録画から手順書を起こす、施工前後の記録動画から状態を判定する、店舗の動線を確認する、資料が画面に映っているセミナー。ここは映像を捨てると答えが消えます
迷ったら「その動画、音声だけ聞いて分かる話か？」と自問すると、たいてい即決できます。
② 必要な区間だけ渡す
Gemini APIには、動画の開始位置と終了位置をミリ秒で指定するパラメータ（start_offset / end_offset）があります。2時間のセミナーのうち、質疑応答の20分だけが欲しいなら、そこだけを指定すれば単純にコストは6分の1です。
地味ですが、これが実務でいちばん使う削り方です。冒頭の挨拶と休憩を落とすだけでも1割は消えます。
③ フレームレートを下げる
fps パラメータで、1秒あたり何枚切り出すかを変えられます。既定は1秒1枚です。
スライドが数分に1回しか変わらないセミナー録画に、1秒1枚は明らかに過剰です。逆に、手元の動きを見せる作業動画でフレームを落としすぎると、肝心の瞬間が抜け落ちます。「答えが映っている瞬間の長さ」に合わせるのが基準です。
④ 解像度を下げる
media_resolution で1枚あたりの細かさを変えられます。低解像度と高解像度で、1秒あたり約100トークンと約300トークン。3倍です。
細かい文字（画面の中の小さなUI、資料の注釈）を読ませたいときだけ上げる。人の動き・場面の切り替わり・大きな見出しが分かればいい用途なら、既定のままで足ります。
⑤ 処理方式をエージェント型にする
そして今回の新機能です。①〜④を整えたうえで、なお長尺を扱う必要があるなら、ここが効きます。特に「2時間の動画のどこかにある1つの事実を探す」という探索型の使い方では、モデルが自分で当たりをつけて掘るぶん、機械的な全取り込みより圧倒的に有利です。
逆に「10分の動画を丸ごと要約する」用途では、そもそも全部読む必要があるので、削減余地はあまりありません。
エージェント型に切り替える前に確認したい3点
正直に書きますが、私はまだ本番の業務フローをエージェント型に切り替えていません。理由は次の3つです。安いから即採用、という判断はしていません。
1.「何を見なかったか」が手元に残らない
これが最大の懸念です。静的処理なら「1秒1枚で全部渡した」と分かっています。エージェント型では、モデルがどの区間を見て、どの区間を飛ばしたかが利用者側からは見えません。
要約に何かが抜けていたとき、「元の動画に無かったのか」「あったのに見に行かなかったのか」を切り分けられない。私が文字起こしテキストという中間物を手元に残す運用にしている理由と、まさに正面から衝突します。
重要な判断の材料にする動画（契約に関わる打ち合わせ、事故の記録、検収の証跡）では、この性質は無視できません。
2. 短い動画では効かない
公式自身が「長尺で特に顕著」と書いています。自社が扱う動画が5〜10分中心なら、切り替えの手間に対して見返りが小さい可能性があります。まず自社の動画の長さの分布を見るのが先です。
3. 同じ動画・同じ質問で毎回同じ結果とは限らない
モデルが自分で探索経路を決める以上、実行のたびに見る場所が変わりうる、と考えておくのが安全です。毎月同じフォーマットで同じ種類の動画を処理して比較するような使い方では、この揺らぎが数字の比較を壊すことがあります。
切り替えるなら、まずは失敗しても実害の小さい用途（社内向けのセミナー要約、アーカイブ動画の検索）から始めて、同じ動画を静的処理と両方で流して結果を突き合わせる。それが現実的な進め方です。
業務パターン別・どう組むのが現実的か
やりたいこと | 推奨する経路 | 理由 |
|---|---|---|
会議・打ち合わせの議事録 | 音声抽出→ローカル文字起こし→テキストをAIへ | 映像に答えがない。相手のある録画を外に出さずに済む |
セミナー動画の内容要約 | 同上（資料が画面のみにある場合は区間を絞って映像も） | コストが18分の1。スライド固有の情報だけ補う |
操作手順の画面録画→手順書 | 動画のまま。fpsを下げて区間を絞る | 映像が答え。ただし1秒1枚は過剰 |
長尺アーカイブから特定の場面を探す | エージェント型が最も向く | 探索型。全取り込みが一番無駄になる用途 |
証跡・検収など判断の根拠にする動画 | 静的処理＋区間指定 | 何を見たかを自分で確定させたい |
今から手をつけるなら、この4ステップ
いきなりAPIを触る必要はありません。順番はこうです。
- 1. 自社にある動画を3種類に仕分ける。「音声で足りるもの」「映像が要るもの」「そもそもAIに読ませなくていいもの」。ここで大半が1つ目に入るはずです
- 2. 音声で足りるものは、テキスト化の経路を先に作る。ここを整えるだけでコストは桁で変わります。処理方式の議論はその後です
- 3. 映像が要るものだけ、区間・フレームレート・解像度を詰める。①〜④の話です
- 4. それでも長尺が残るなら、エージェント型を実害の小さい用途で試す。同じ動画を両方式で流して、結果を突き合わせる
逆にやってはいけないのは、「88%削減」の見出しだけを見て、既存のフローを全部エージェント型に置き換えることです。削減率は静的処理との比較であって、あなたの現在の運用との比較ではありません。
コストの考え方そのものは、画像生成でAPI従量課金とサブスク枠を使い分ける話とよく似ています。
よくある質問
Q. エージェント型を使うのに追加料金はかかりますか
かかりません。公式は「標準のGemini APIトークン料金が適用され、追加の機能料金はない」と明記しています。消費トークンが減るぶん、実質的に安くなる方向です。
Q. Geminiアプリ（一般向けのチャット画面）でも使えますか
2026年9月1日の発表時点で提供されているのは、Google AI Studio 経由の Gemini API と Gemini Enterprise Agent Platform です。一般向けアプリへの展開について、公式発表の範囲では確定していません。現時点では「APIを触る前提の機能」と考えてください。
Q. YouTubeの動画URLをそのまま渡せますか
アップロードした動画とYouTube動画の両方が対象、と公式が示しています。ただし無料枠では1日あたりの処理量に制限があるため、業務で継続的に回すなら有料枠の前提で見積もってください。
Q. すでに whisper で文字起こしを回しています。乗り換えるべきですか
いいえ、用途が違います。文字起こしは「発言内容を取り出す」処理、エージェント型動画理解は「映像を含めて動画を理解する」処理です。会議の議事録が目的なら、乗り換える理由はありません。むしろコストでも機密面でも、文字起こし経路のほうが有利です。
文字起こしまわりの工程が最近どう変わったかは、こちらで整理しています。
Q. 打ち合わせの録画をAPIに渡しても大丈夫でしょうか
技術的には渡せますが、判断すべきは技術ではなく社内の取り決めのほうです。相手のいる録画は、こちらの一存で外部サービスに送っていいものとは限りません。
私が音声抽出と文字起こしを手元で完結させているのは、この一点が理由です。テキストになった時点で、渡す範囲を自分で選べるようになります。動画のまま渡すと「全部渡すか、渡さないか」の二択になりがちです。
まず社内で「どの録画を外に出してよいか」を決める。その線引きができてから、経路を選んでください。順番を逆にすると、後から止められません。
Q. 1時間の動画を処理すると、実際いくらかかりますか
モデルと単価によって変わるため、金額での断定は避けます。ただしトークン量は概算できます。既定の低解像度で約36万トークン。ここに自社が使うモデルの入力単価を掛ければ、桁は把握できます。まずこの計算を1回やってみることを強くおすすめします。想像よりゼロが1つ多いはずです。
Q. 精度が7%上がるなら、短い動画でも切り替えたほうが得では
「最大7%」であり、長尺で顕著という前提が付いています。短い動画では効果が小さくなる可能性が高く、加えて「何を見なかったか」が残らないという性質は動画の長さに関係なく付いてきます。短い動画では、得られるものより失うもののほうが大きくなりやすいと考えています。
まとめ
要点を整理します。
- 2026年9月1日、Googleが Gemini 3.7 Flash / 3.6 Flash / 3.5 Flash-Lite に「エージェント型動画理解」を追加した。APIの設定で処理方式を agentic にすると使える
- 公式の数字はコスト最大66%減・トークン最大88%減・精度最大7%向上。ただし比較対象は固定FPSの静的処理で、すべて「最大」、効果は長尺で顕著
- 動画は1秒1枚の静止画＋音声＋文字起こしに分解されて渡っている。だから長さで課金される
- 既定の低解像度で1秒あたり約100トークン＝1時間で約36万トークン。高解像度は3倍の約300トークン/秒
- 同じ1時間の会議を文字起こしテキストで渡せば約2万トークン。動画のままだと約18倍
- 削れる場所は5つ。①動画で渡さない ②区間を絞る ③フレームレートを下げる ④解像度を下げる ⑤処理方式をエージェント型にする。上ほど効く
- 私は音声抽出→手元で文字起こし→テキストをAIへの経路を使っている。理由は機密・中間物が残ること・コストの順
- エージェント型は「必要な部分だけ選ぶ」作業を人からモデルへ移したもの。原理は同じで担当者が変わった
- 切り替え前に確認すべきは3点。「何を見なかったか」が残らない／短い動画では効かない／毎回同じ経路とは限らない
- 手順は動画を3種類に仕分ける→音声で足りるものをテキスト化→映像が要るものだけ細かく詰める→残った長尺でエージェント型を試す
新しい機能が出ると、つい「切り替えれば安くなる」と考えたくなります。ですが今回の発表がしているのは、「全部を見ないで済ませる」という当たり前の節約を、モデル側でもできるようにしたということです。だとすれば、自社の前工程で同じことをやれているかを先に確かめたほうが、効果は確実で、失うものもありません。
どの業務にAIをどう組み込み、どこにコストがかかっているかを一緒に棚卸しする支援を、私たちは月額で行っています。詳しくは専属AI活用顧問サービスをご覧ください。
AIを使う会社と、使わない会社。
その差は、開き始めています。
ここ数年でAIは急速に進化し、正しく導入できている企業とそうでない企業とでは、業務効率や人件費に大きな差が生まれ始めています。「AI導入に興味はあるが、実際に何ができて、どこから手をつければいいか分からない」——そんな方は、まずこの無料プレゼントに目を通してみてください。
