สิ่งที่เปลี่ยนวันนี้
- เปิดใช้ฟีเจอร์ชื่อ agentic video understanding บน Gemini 3.7 Flash, Gemini 3.6 Flash และ Gemini 3.5 Flash-Lite ที่มีอยู่แล้วทั้งหมด (บล็อก Google)
- ใช้ได้วันนี้กับวิดีโอที่อัปโหลดเองกับคลิป YouTube ผ่าน Gemini API ใน Google AI Studio และ Gemini Enterprise Agent Platform
- คำว่าเข้าใจวิดีโอแบบเอเจนต์ แปลง่ายๆ ว่าโมเดลเลือกเองว่าจะดูช่วงไหน ละเอียดแค่ไหน ไม่ต้องกลืนคลิปทั้งก้อนทีละเฟรมตายตัวเหมือนเดิม
- วิธีเดิมคือดึงภาพตายตัว ปกติ 1 FPS ปรับได้ โดย FPS คือจำนวนภาพต่อวินาทีที่ดึงจากวิดีโอ วิธีใหม่ให้โมเดลไล่หา สแกน แล้วซูมดูเฉพาะจุดที่ต้องการ ทั้งภาพ เสียง และข้อความบรรยาย
- เปิดง่ายๆ แค่ตั้งค่า processing เป็น agentic ใน API ใช้ราคาโทเคนมาตรฐานเดิม ไม่มีค่าฟีเจอร์เพิ่ม โทเคนคือหน่วยนับข้อความที่คิดเงิน
- เร็วๆ นี้จะตามไปถึงผู้ใช้แอป Gemini ทั้งตระกูล Flash กับ Flash-Lite
ใช้ยังไงได้บ้าง
- หาช่วงเฉพาะในคลิปได้เร็วกว่าหนึ่งวินาที
- ล่าจุดเล็กๆ ที่ซ่อนอยู่ในคลิปยาวหลายชั่วโมงแบบหาเข็มในมหาสมุทร
- จับความผิดปกติ แล้วย้อนกลับมาดูช่วงนั้นซ้ำด้วย FPS ที่ละเอียดขึ้น
- นับการกระทำหรือจำนวนสิ่งของได้ตลอดความยาวคลิป (บล็อก Google)
- อีกไม่กี่เดือนโหมดนี้จะขับ Ask YouTube บนหน้าดูคลิป ตอบคำถามโดยอ้างจากสิ่งที่เห็นจริงในวิดีโอ
ตัวเลขที่บริษัทวัดเอง
- Google วัดเองว่าค่าวิเคราะห์ลดลงได้ถึง 66% โทเคนที่ใช้ลดได้ถึง 88% ความแม่นดีขึ้นถึง 7%
- ย้ำว่าเป็นตัวเลขจากการวัดของ Google เอง ไม่ใช่ผลทดสอบจากฝั่งอื่น
- จุดแข็งอยู่ที่คลิปยาว ตั้งแต่คลิปสอนทำ 10 นาที ไปถึงบรรยายยาว 90 นาที และบันทึกหลายชั่วโมง
- ในกราฟของ Google เอง Gemini 3.7 Flash กับโหมดนี้ได้คุณภาพสูงสุดและคุ้มราคาสุดในกลุ่มที่เอามาเทียบกัน
อย่าปนกับเรื่องอื่น
- นี่ไม่ใช่การเปิดโมเดลใหม่ ไม่เกี่ยวกับ Gemini Omni 1.1 Flash ที่เป็นข่าวแยกไปแล้ว
- ก็ไม่ใช่ TimesFM-3, Muse Voice Transcribe หรือ Veo ที่เป็นเรื่องสร้างวิดีโอ
สรุป
ถ้ามีคนถามว่า AI ดูวิดีโอเก่งขึ้นตรงไหน ตอบได้เลยว่ามันไม่ได้นั่งไล่ดูทั้งเรื่องแบบเมื่อก่อน แต่รู้จักเลือกดูเฉพาะจุดที่จำเป็น ซึ่งช่วยลดค่าใช้จ่ายและทำให้ตอบได้แม่นขึ้น
แหล่ง: Google DeepMind · 1 ก.ย. 2026