ניתוח וידאו ארוך עם Gemini

מה זה מצב agentic לווידאו ב-Gemini?

יש לכם וובינר של שעתיים, פגישת זום של שעה וחצי או פודקאסט ארוך, ואתם צריכים דבר אחד: באיזו דקה אמרו את המחיר, מה היה כתוב בשקף עם הגרף, מתי הלקוח העלה את ההתנגדות. לצפות שוב בהכל זה לא אופציה.

כש-Gemini מקבל סרטון, ברירת המחדל נקראת static: הוא לוקח פריים אחד כל שנייה מכל הסרטון, ושם את כולם בהקשר. זה עובד מצוין לקליפ של דקה. בסרטון של שעתיים זה הרבה מאוד טוקנים, ורובם על קטעים שלא קשורים לשאלה שלכם.

לפי התיעוד הרשמי של גוגל, במצב agentic המודל מנווט בציר הזמן של הסרטון בעצמו. הוא בודק קודם את התמלול, ומשנה את קצב הפריימים והרזולוציה תוך כדי, לפי מה ששאלתם. רק הקטעים שחשובים לתשובה נטענים כתמונה.

וזה לא רק תמלול חכם. בגלל שהמודל טוען את הקטעים הרלוונטיים כתמונה, הוא יכול לענות גם על מה שרואים ולא רק על מה שנאמר: מספר שכתוב בשקף, מוצר שמופיע על השולחן, הודעה שקפצה על המסך המשותף.

מתי להשתמש ב-agentic ומתי להישאר עם ברירת המחדל?

גוגל עצמם כותבים בתיעוד מתי כל מצב מתאים, וזה אחד הדברים הכי חשובים בעמוד הזה:

• agentic מתאים ל: סרטונים ארוכים, מעל 5 עד 10 דקות. חיפוש של מחט בערימת שחת. שאלות על רגע או נושא מסוים. וובינרים, פגישות, הרצאות ופודקאסטים.
• static מתאים ל: קליפים קצרים מתחת ל-5 דקות. סיכום כללי של סרטון שכולו רלוונטי. מקרים שבהם התשובה צריכה להגיע מהר. ובדיקה של כל פריים לאורך כל הקליפ.

למה לא תמיד agentic? כי הניווט עולה משהו. המודל חושב, מבקש קטעים, מקבל אותם וממשיך, וכל זה לוקח זמן וטוקנים. בקליפ קצר או בשאלה כמו "תסכם לי את כל הסרטון", התיעוד כותב במפורש שזה יכול לעלות יותר ולהגיע לאט יותר מהמצב הרגיל.

ובאילו מודלים זה זמין? נכון לנובמבר 2026, התיעוד מציין ארבעה מודלים: "Gemini 4 Argon", "Gemini 3.8 Flash", "Gemini 3.6 Flash" ו-"Gemini 3.5 Flash Lite". במודלים אחרים יש רק את ברירת המחדל, אז אם הקוד שלכם עדיין על מודל ישן, זה הזמן לעדכן.

כמה טוקנים זה באמת חוסך?

בואו נעשה חשבון על פודקאסט של שעתיים. לפי התיעוד, במצב הרגיל כל שנייה של וידאו עולה בערך 100 טוקנים ברזולוציה הנמוכה. שעתיים זה 7,200 שניות, כלומר בסביבות 720 אלף טוקנים רק כדי שהמודל "יראה" את הסרטון, עוד לפני ששאלתם משהו.

במצב agentic, התיעוד מדבר על חיסכון של עד 88% בטוקנים בסרטונים ארוכים. במקרה הטוב זה כבר פחות ממאה אלף טוקנים. שימו לב למילה "עד": החיסכון תלוי בשאלה. שאלה ממוקדת ("מתי הוא הזכיר את המחיר") חוסכת הרבה, ושאלה שדורשת לעבור על כל הסרטון חוסכת מעט.

עוד פרט מהתיעוד: במצב agentic, הטוקנים של הניווט נספרים כטוקני חשיבה, והתמלול והפריימים שנטענו נספרים כטוקני כלים. אז כשאתם בודקים את החשבון, תסתכלו על שניהם.

איך מפעילים את מצב agentic?

זו הגדרה ב-API, כלומר צריך קוד קצר. לא צריך להיות טכנולוגי בשביל זה, כי קלוד קוד יכול לכתוב ולהריץ אותו בשבילכם. מה שצריך לפני:

1. מפתח API של Gemini. נכנסים ל-Google AI Studio ולוחצים Get API key. מדריך מלא יש ב-מפתח API חינם לג'מיני.
2. שומרים אותו במשתנה סביבה בשם GEMINI_API_KEY, ולא בתוך קובץ שעולה לגיטהאב.
3. מתקינים את הספרייה של גוגל לפייתון: pip install google-genai.

זה הקוד מהתיעוד הרשמי, בקיצור. הוא מעלה סרטון, מפעיל את מצב agentic, ומריץ את הבקשה ברקע כדי שחיבור שנפל לא יאבד את העבודה:

העתקהimport time
from google import genai

client = genai.Client()
video = client.files.upload(file="webinar.mp4")
while video.state.name == "PROCESSING":
    time.sleep(2)
    video = client.files.get(name=video.name)

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input=[
        {"type": "video", "uri": video.uri, "mime_type": video.mime_type,
         "processing": "agentic"},
        {"type": "text", "text": "באיזו דקה הוא מראה את הגרף של ההכנסות, ומה כתוב עליו?"},
    ],
    background=True,
)
while interaction.status == "in_progress":
    time.sleep(5)
    interaction = client.interactions.get(interaction.id)
print(interaction.output_text)

ואם אתם עובדים עם קלוד קוד, הנה פרומפט שעושה את כל זה בשבילכם:

העתקהתבנה לי סקריפט פייתון בשם ask_video.py שמקבל נתיב לסרטון ושאלה בעברית, ושולח אותם ל-Gemini API עם הספרייה google-genai. תשתמש במודל gemini-3.8-flash, ב-Files API להעלאה, ב-"processing": "agentic" על הווידאו וב-background=True, לפי הדוגמה בתיעוד הרשמי: https://aistudio.google.com/docs/video-understanding. המפתח נמצא במשתנה הסביבה GEMINI_API_KEY. תבקש מהמודל לענות עם חותמות זמן בפורמט MM:SS. בסוף תדפיס את התשובה, ותבדוק אם יש ב-interaction.steps שלבים מסוג processing_call, כדי שאדע שהמצב באמת הופעל. תריץ אותו פעם אחת על הקובץ שאתן לך, ותראה לי את התוצאה.

אילו שאלות כדאי לשאול על סרטון ארוך?

המצב הזה מצטיין בשאלות ממוקדות. כמה דוגמאות מעולם של עסקים:

• וובינר מכירה: "באיזו דקה הוצגה ההצעה, מה המחיר שנאמר, ומה היה כתוב בשקף באותו רגע?"
• הקלטת זום עם לקוח: "תמצא את כל הפעמים שהלקוח העלה התנגדות, עם חותמת זמן ומשפט אחד לכל אחת."
• פודקאסט: "תמצא שלושה רגעים של עד 40 שניות שאפשר לחתוך לריל, עם זמן התחלה וסוף."
• הרצאה: "באיזה רגע המרצה כותב על הלוח את הנוסחה, ומה היא?"
• הדרכת עובדים מוקלטת: "תבנה רשימת צעדים עם חותמת זמן לכל צעד."

טיפ מהתיעוד: כשאתם רוצים לשאול על רגע מסוים, תכתבו את הזמן בפורמט MM:SS, למשל 01:15. והמשך שיחה עובד: אפשר לשאול שאלת המשך על אותו סרטון בלי להעלות אותו שוב.

מה חשוב לדעת לפני שמעלים סרטונים?

• מחיר: ב-Gemini API יש מסלול חינמי עם מגבלות, ומסלול בתשלום לפי טוקנים. המחירים משתנים, אז תבדקו בעמוד התמחור של AI Studio לפני עבודה גדולה.
• זמן: בסרטונים ארוכים העיבוד לוקח יותר זמן, כי המודל עושה כמה סבבים. בגלל זה הדוגמה הרשמית מריצה את הבקשה ברקע.
• פרטיות: הסרטון עולה לשרתים של גוגל. בהקלטות של פגישות עם לקוחות, תוודאו שכל המשתתפים יודעים שהשיחה מוקלטת ומעובדת, ותבדקו את תנאי השימוש של המסלול שלכם. במסלול החינמי, גוגל עשויה להשתמש בתוכן לשיפור המוצרים שלה.

עוד כמה מגבלות מהתיעוד: מעל 20MB משתמשים ב-Files API ולא שולחים את הסרטון ישירות. מודלים עם חלון של מיליון טוקנים מטפלים במצב הרגיל בסרטונים של עד 3 שעות ברזולוציה נמוכה. וקישורי יוטיוב עובדים רק לסרטונים ציבוריים, במסלול החינמי עד 8 שעות ביום.

רוצים שקלוד קוד עצמו יצפה בסרטונים, בלי להתעסק עם API? יש מדריך על הסקיל Watch. ולשאלות על הרבה מקורות ביחד, לא רק וידאו, NotebookLM הוא אלטרנטיבה טובה.