AIREITERUna lezione di due ore e uno spot di 20 secondi non si analizzano allo stesso modo. La nuova modalità agentica di Gemini è il punto di partenza più adatto per video lunghi o domande mirate su momenti specifici, ma il risparmio dichiarato da Google come “fino a” non equivale a uno sconto garantito del 66% su ogni fattura API.
Scegli la modalità in base al compito, non alla durata del video
La comprensione agentica dei video di Gemini è pensata per le domande che richiedono di trovare o rivedere momenti precisi. La modalità statica resta più semplice quando serve una risposta rapida su un clip breve oppure una copertura uniforme di ogni intervallo campionato.
| Il tuo compito | Da provare per primo | Perché |
|---|---|---|
| Trovare un annuncio in una lezione, un keynote o un archivio | Agentic | Gemini può cercare nella timeline e recuperare le prove rilevanti, invece di trattare ogni parte del video allo stesso modo. |
| Individuare un cambiamento di stato o un punto di montaggio di una frazione di secondo | Agentic | Il modello può ricampionare la finestra pertinente con una risoluzione temporale più elevata. |
| Contare azioni rapide o oggetti distinti nel tempo | Agentic | La revisione dinamica è progettata per cogliere movimenti che un campionamento fisso potrebbe perdere. |
| Analizzare un clip breve dando la massima priorità ai tempi di risposta | Static | Il processamento a frequenza fissa segue un percorso più semplice e prevedibile. |
| Verificare una copertura uniforme dei fotogrammi in un intervallo noto | Static | Un campionamento prevedibile può essere più facile da controllare rispetto a un recupero selettivo. |
Google indica quattro casi d’uso al lancio: recupero di momenti inferiori al secondo, ricerca del “needle-in-a-haystack” nei video lunghi, rilevamento delle anomalie e conteggio di azioni o oggetti. L’annuncio ufficiale descrive esempi che vanno da tutorial di 10 minuti a lezioni di 90 minuti e registrazioni di diverse ore.
Non esiste una durata soglia pubblicata: un video di cinque minuti con un evento nascosto può giustificare l’elaborazione agentica, mentre una registrazione più lunga e uniforme potrebbe non richiederla.
La stessa funzione, due formati di richiesta API
“Agentic” non corrisponde a un unico campo JSON valido ovunque. L’esempio di lancio di Google usa l’API Interactions e inserisce processing: "agentic" nell’input video; il percorso GenerateContent espone invece l’elaborazione del contenuto multimediale nella parte media.
Interactions API: imposta processing nell’input video
Nel post di lancio, Google mostra questo schema Python per un video YouTube:
from google import genai
client = genai.Client()
interaction = client.interactions.create(
model="gemini-3.7-flash",
input=[
{
"type": "video",
"uri": "https://youtu.be/7Z5Vy9JBANs",
"processing": "agentic"
},
{
"type": "text",
"text": "What are the 3 most important announcements in this keynote?",
},
],
)
print(interaction.output_text)L’impostazione va inserita nell’oggetto video, non in un campo top-level estraneo.
GenerateContent: imposta l’elaborazione media nella parte multimediale
La documentazione Gemini sulla comprensione dei video descrive separatamente il formato GenerateContent. In questo caso, l’input multimediale usa media_processing: "AGENTIC"; in JavaScript la proprietà corrispondente è mediaProcessing.
Uno schema Python minimo è il seguente:
from google import genai
from google.genai import types
client = genai.Client()
video_uri = "YOUR_VIDEO_FILE_URI"
response = client.models.generate_content(
model="gemini-3.7-flash",
contents=[
types.Part.from_uri(
file_uri=video_uri,
mime_type="video/mp4",
media_processing="AGENTIC",
),
"Find the first product announcement and return its timestamp.",
],
)
print(response.text)Per un video locale, sostituisci YOUR_VIDEO_FILE_URI con l’URI restituito dal flusso di caricamento dei file Gemini e attendi che il file sia pronto prima di inviare la parte multimediale. Consulta la guida ufficiale aggiornata alla comprensione dei video per verificare i dettagli dell’SDK relativi alla versione del client installata.
| Percorso API | Configurazione mostrata nella documentazione | Dove inserirla |
|---|---|---|
| Interactions API | processing: "agentic" | Nell’oggetto input del video |
| GenerateContent API | media_processing: "AGENTIC" | Nella parte input multimediale |
| GenerateContent in JavaScript | mediaProcessing | Nella parte input multimediale |
Non scambiare gli snippet quando passi da client.interactions.create a generateContent.
Cosa fa davvero la comprensione agentica dei video
Il processamento statico analizza il video a una frequenza fissa. Google indica come valore predefinito 1 fotogramma al secondo, con una frequenza modificabile tramite API, e fornisce al modello i fotogrammi campionati da analizzare.
Il flusso agentico consente invece a Gemini di cercare e scorrere la timeline, scegliere una velocità utile e basarsi su fotogrammi, audio o trascrizioni, senza caricare l’intera registrazione in modo uniforme:
- Richiedi il segmento o la modalità rilevante per la domanda.
- Esamina i fotogrammi, l’audio o la trascrizione restituiti.
- Torna su un intervallo più ristretto quando serve una maggiore precisione temporale.
Il campionamento statico offre agli sviluppatori una regola di copertura semplice da capire. L’elaborazione agentica affida invece al modello una parte maggiore della decisione su dove cercare: per questo, nei sistemi di produzione è opportuno verificare timestamp e conteggi su filmati rappresentativi.
Il risparmio dichiarato non è uno sconto del 66%
Google riporta i seguenti risultati su benchmark standard di analisi video, sottolineando i miglioramenti maggiori per i video lunghi:
| Metrica | Massimo dichiarato da Google | Cosa non garantisce |
|---|---|---|
| Consumo di token | Fino all’88% in meno | Il tuo carico di lavoro non userà necessariamente l’88% di token in meno. |
| Costo dell’analisi | Fino al 66% in meno | Non equivale a una riduzione fissa del prezzo del 66%. |
| Accuratezza | Fino al 7% in più | Non significa che ogni video, prompt e modello migliorerà del 7%. |
Secondo l’annuncio di lancio di Google, la comprensione agentica dei video utilizza i normali prezzi dei token delle API Gemini e non prevede costi aggiuntivi per la funzione. Il costo effettivo dipende comunque dal modello, dai contenuti recuperati, dalla richiesta e dall’output. Per il quadro più ampio su token e prezzi dei modelli, consulta la guida ai prezzi dell’API Gemini 3.7 Flash.
Se devi porre più domande sulla stessa registrazione, metti in cache il contesto video quando il flusso API lo consente. Le note pratiche di Google Cloud sull’analisi video indicano il context caching come una delle leve principali per ridurre i costi nelle analisi ripetute.
Disponibilità e limiti del rollout
La comprensione agentica dei video è una capacità di elaborazione disponibile su tre modelli della famiglia Flash, non un modello video annunciato separatamente. Google afferma che il lancio è avvenuto il 1 settembre 2026 per i seguenti modelli e superfici:
| Elemento | Disponibilità indicata da Google |
|---|---|
| Modelli supportati | Gemini 3.7 Flash, Gemini 3.6 Flash e Gemini 3.5 Flash-Lite |
| Superfici per sviluppatori attualmente disponibili | Gemini API in Google AI Studio e Gemini Enterprise Agent Platform |
| Fonti di input | File video caricati e video YouTube |
| Prezzi | Prezzi standard dei token Gemini API; nessun costo aggiuntivo per la funzione agentica |
| App Gemini per utenti finali | Rollout previsto sui modelli Flash e Flash-Lite, senza una data precisa indicata |
| YouTube Ask YouTube | Previsto nei prossimi mesi, senza una data precisa indicata |
Il rollout previsto per l’app consumer e per YouTube non dimostra che la funzione sia già disponibile per ogni account.
Quattro test in produzione prima di impostarla come modalità predefinita
L’annuncio di lancio descrive le capacità della funzione, ma non spiega come si comporterà sui tuoi video. Prima di sostituire un flusso statico già esistente, prepara un piccolo set di valutazione.
- Recupero dei timestamp: Inserisci clip con cambi di scena, apparizioni brevi e un evento per il quale contino esattamente il momento di inizio e quello di fine. Confronta i timestamp restituiti con un riferimento verificato da una persona.
- Conteggio di azioni rapide: Usa filmati con movimenti ripetuti o oggetti che attraversano l’inquadratura. Controlla il conteggio totale e verifica se la risposta chiarisce l’intervallo preso in considerazione.
- Verifica basata su audio e trascrizione: Poni domande in cui le parole pronunciate e l’azione visibile non coincidono. Assicurati che la risposta non sostituisca silenziosamente una modalità con l’altra.
- Comportamento operativo: Esegui gli stessi file in entrambe le modalità e registra token in input e output, latenza complessiva, tentativi ripetuti, risposte vuote, eventi mancati e risultato del fallback statico. Mantieni il fallback quando il recupero selettivo non trova le prove necessarie o introduce un ritardo inaccettabile.
Non trasformare il post di lancio in una regola rigida del tipo “usa agentic oltre X minuti”. Il materiale pubblicato supporta una scelta basata sul compito, non una soglia di durata universale.
FAQ sull’API Gemini per la comprensione agentica dei video
La comprensione agentica dei video è un nuovo modello Gemini?
No. Google la presenta come una capacità di comprensione dei video disponibile su Gemini 3.7 Flash, Gemini 3.6 Flash e Gemini 3.5 Flash-Lite.
Posso usare un video caricato invece di un URL YouTube?
Sì. Google indica i file video caricati e i video YouTube tra gli input API supportati; per un file locale, caricalo prima e passa l’URI del file restituito nella parte multimediale dopo che l’elaborazione è pronta.
L’elaborazione agentica dei video costa di più?
Google afferma che non è previsto alcun costo aggiuntivo per la funzione. Si applicano i normali prezzi dei token Gemini API e la fattura finale dipende dai contenuti recuperati e dal resto della richiesta.
Esegui un set rappresentativo in entrambe le modalità, quindi mantieni l’elaborazione agentica come impostazione predefinita solo nei casi in cui la qualità delle prove e il consumo di token misurati siano compatibili con gli obiettivi dell’applicazione.