Компанія Google впровадила нову функцію агентного аналізу відео для моделей Gemini 3.7 Flash, 3.6 Flash і 3.5 Flash-Lite, яка дозволяє штучному інтелекту вибірково переглядати лише потрібні фрагменти відео. Як повідомляє Google, це скорочує споживання токенів до 88%, знижує витрати на 66% і підвищує точність аналізу приблизно на 7%.
На відміну від традиційної обробки, коли модель аналізує відео з фіксованою частотою кадрів (наприклад, один кадр на секунду), агентний режим дає змогу Gemini самостійно визначати, які частини відео потребують детальнішого перегляду. Модель аналізує не лише візуальні кадри, а й аудіо та текстові розшифровки, повторно скануючи окремі фрагменти з більшою частотою кадрів. Це дозволяє знаходити конкретні моменти з точністю до частки секунди, виявляти аномалії, підраховувати об'єкти й відповідати на складні запитання щодо багатогодинних записів.
За даними Google, найбільший ефект нова функція демонструє під час роботи з довгими відео — від 10-хвилинних інструкцій до 90-хвилинних лекцій і багатогодинних архівів. У тестах LongVideoBench Gemini 3.7 Flash із агентним режимом показала найкраще співвідношення точності та вартості серед протестованих моделей, досягнувши так званої межі Парето — оптимального балансу між якістю результату та витратами на обчислення.
Функція відкриває нові можливості для розробників, які працюють із великими відеоархівами. Серед підтримуваних сценаріїв — пошук монтажних склейок і миттєвих змін стану, пошук інформації у багатогодинних записах, повторний аналіз швидких рухів, а також точніше відстеження повторюваних дій та окремих об'єктів.
"Агентний аналіз відео вже доступний через Gemini API у Google AI Studio та Gemini Enterprise Agent Platform. Функція підтримує як завантажені відео, так і ролики з YouTube."
Для активації достатньо встановити режим agentic у конфігурації API, додаткової плати не передбачено — діють стандартні тарифи Gemini API. Google також анонсувала, що найближчим часом ця технологія стане доступною всім користувачам застосунку Gemini, а у наступні місяці — і у функції Ask YouTube, яка відповідатиме на запитання з урахуванням не лише субтитрів, а й візуального змісту відео.
Окремо Google представила Gemini 3.5 Transcribe — спеціалізовану модель для розпізнавання та структурування мовлення в реальному часі й з аудіозаписів, яка підтримує понад 85 мов, працює із затримкою менш як секунда та автоматично очищає текст від слів-паразитів, фіксуючи самовиправлення спікера й розділяючи голоси співрозмовників.

