Google Unveils Google Pics and Agentic Video Understanding for Gemini

Google Unveils Google Pics and Agentic Video Understanding for Gemini

Google Unveils Google Pics and Agentic Video Understanding for Gemini

Google has announced two major AI updates: the rollout of Google Pics, an AI-powered image creation and editing tool, and the integration of agentic video understanding into its latest Gemini models. 

The new image tool is being made available to Google AI Pro and Ultra subscribers alongside select Workspace business users, while the video feature aims to enhance accuracy and efficiency for developer and enterprise applications.

Google Pics is powered by the Nano Banana image generation and editing model. 

It is rolling out over the coming weeks as both a standalone tool and an integrated feature within Google Workspace apps, starting with Docs and Slides before extending to Drive. 

The tool enables precise image generation and targeted edits, offering features such as object segmentation, in-image text translation and editing, collaborative image workflows, and the ability to output multiple images from a single prompt.

Alongside the image updates, Google introduced agentic video understanding across Gemini 3.7 Flash, 3.6 Flash, and 3.5 Flash-Lite. 

This capability transforms how models analyze video content by allowing them to dynamically search and inspect specific visual frames, audio clips, and transcript sections based on user prompts.

According to Google, this targeted approach significantly improves performance while drastically reducing computational overhead. 

The agentic workflow cuts video analysis costs by up to 66% and token consumption by up to 88%, while delivering an accuracy bump of up to 7%. 

Practical applications include sub-second moment retrieval, deep searches across long-form video, automated anomaly detection, and object or action counting over extended timelines.

The agentic video understanding feature is accessible via the Gemini API in Google AI Studio and the Gemini Enterprise Agent Platform at standard Gemini API token rates with no extra feature fee. 

It will also roll out directly to Gemini app users and is slated to power YouTube's upcoming "Ask YouTube" feature on video watch pages in the coming months.

Google ने Gemini के लिए Google Pics और Agentic Video Understanding पेश किए

Google ने दो बड़े AI अपडेट की घोषणा की है: Google Pics का रोलआउट, जो AI से चलने वाला इमेज बनाने और एडिट करने वाला टूल है, और इसके लेटेस्ट Gemini मॉडल में Agentic वीडियो अंडरस्टैंडिंग का इंटीग्रेशन।

नया इमेज टूल Google AI Pro और Ultra सब्सक्राइबर के साथ-साथ कुछ खास Workspace बिज़नेस यूज़र के लिए उपलब्ध कराया जा रहा है, जबकि वीडियो फ़ीचर का मकसद डेवलपर और एंटरप्राइज़ एप्लिकेशन के लिए सटीकता और एफिशिएंसी को बढ़ाना है।

Google Pics, Nano Banana इमेज बनाने और एडिट करने वाले मॉडल से चलता है।

यह आने वाले हफ़्तों में एक स्टैंडअलोन टूल और Google Workspace ऐप्स के अंदर एक इंटीग्रेटेड फ़ीचर, दोनों के तौर पर रोल आउट हो रहा है, जो Docs और Slides से शुरू होकर Drive तक बढ़ाया जाएगा।

यह टूल सटीक इमेज बनाने और टारगेटेड एडिट करने में मदद करता है, जिसमें ऑब्जेक्ट सेगमेंटेशन, इन-इमेज टेक्स्ट ट्रांसलेशन और एडिटिंग, मिलकर काम करने वाले इमेज वर्कफ़्लो, और एक ही प्रॉम्प्ट से कई इमेज आउटपुट करने की क्षमता जैसे फ़ीचर मिलते हैं।

 इमेज अपडेट के साथ-साथ, Google ने Gemini 3.7 Flash, 3.6 Flash, और 3.5 Flash-Lite में एजेंटिक वीडियो अंडरस्टैंडिंग शुरू की है।

यह कैपेबिलिटी मॉडल्स के वीडियो कंटेंट को एनालाइज़ करने के तरीके को बदल देती है, जिससे वे यूज़र प्रॉम्प्ट के आधार पर खास विज़ुअल फ़्रेम, ऑडियो क्लिप और ट्रांसक्रिप्ट सेक्शन को डायनामिक रूप से सर्च और इंस्पेक्ट कर सकते हैं।

Google के अनुसार, यह टारगेटेड अप्रोच कम्प्यूटेशनल ओवरहेड को काफी कम करते हुए परफॉर्मेंस को काफी बेहतर बनाता है।

एजेंटिक वर्कफ़्लो वीडियो एनालिसिस कॉस्ट को 66% तक और टोकन कंजम्पशन को 88% तक कम करता है, जबकि 7% तक एक्यूरेसी बम्प देता है।

प्रैक्टिकल एप्लीकेशन में सब-सेकंड मोमेंट रिट्रीवल, लॉन्ग-फॉर्म वीडियो में डीप सर्च, ऑटोमेटेड एनोमली डिटेक्शन, और एक्सटेंडेड टाइमलाइन पर ऑब्जेक्ट या एक्शन काउंटिंग शामिल हैं।

एजेंटिक वीडियो अंडरस्टैंडिंग फ़ीचर Google AI स्टूडियो में Gemini API और Gemini Enterprise Agent Platform के ज़रिए स्टैंडर्ड Gemini API टोकन रेट पर बिना किसी एक्स्ट्रा फ़ीचर फ़ीस के एक्सेस किया जा सकता है।

 यह सीधे जेमिनी ऐप यूज़र्स के लिए भी रोल आउट होगा और आने वाले महीनों में वीडियो वॉच पेज पर YouTube के आने वाले "Ask YouTube" फ़ीचर को पावर देगा।

జెమిని కోసం గూగుల్ పిక్స్ మరియు ఏజెంటిక్ వీడియో అండర్‌స్టాండింగ్‌ను గూగుల్ ఆవిష్కరించింది

గూగుల్ రెండు ప్రధాన AI అప్‌డేట్‌లను ప్రకటించింది: AI-ఆధారిత ఇమేజ్ క్రియేషన్ మరియు ఎడిటింగ్ టూల్ అయిన గూగుల్ పిక్స్‌ను విడుదల చేయడం, మరియు దాని తాజా జెమిని మోడల్స్‌లో ఏజెంటిక్ వీడియో అండర్‌స్టాండింగ్‌ను ఇంటిగ్రేట్ చేయడం.

ఈ కొత్త ఇమేజ్ టూల్, ఎంపిక చేసిన వర్క్‌స్పేస్ బిజినెస్ యూజర్లతో పాటు గూగుల్ AI ప్రో మరియు అల్ట్రా సబ్‌స్క్రైబర్‌లకు అందుబాటులోకి వస్తోంది. కాగా, ఈ వీడియో ఫీచర్ డెవలపర్ మరియు ఎంటర్‌ప్రైజ్ అప్లికేషన్‌ల కోసం కచ్చితత్వాన్ని మరియు సామర్థ్యాన్ని మెరుగుపరచడం లక్ష్యంగా పెట్టుకుంది.

గూగుల్ పిక్స్, నానో బనానా ఇమేజ్ జనరేషన్ మరియు ఎడిటింగ్ మోడల్ ద్వారా పనిచేస్తుంది.

ఇది రాబోయే వారాల్లో ఒక ప్రత్యేక టూల్‌గా మరియు గూగుల్ వర్క్‌స్పేస్ యాప్‌లలో ఇంటిగ్రేటెడ్ ఫీచర్‌గా విడుదల కానుంది. మొదట డాక్స్ మరియు స్లైడ్స్‌లో ప్రారంభమై, ఆ తర్వాత డ్రైవ్‌కు విస్తరిస్తుంది.

ఈ టూల్ కచ్చితమైన ఇమేజ్ జనరేషన్ మరియు లక్షిత ఎడిట్‌లను సాధ్యం చేస్తుంది. ఇది ఆబ్జెక్ట్ సెగ్మెంటేషన్, ఇమేజ్‌లోని టెక్స్ట్‌ను అనువదించడం మరియు ఎడిట్ చేయడం, సహకార ఇమేజ్ వర్క్‌ఫ్లోలు, మరియు ఒకే ప్రాంప్ట్ నుండి బహుళ చిత్రాలను అవుట్‌పుట్ చేసే సామర్థ్యం వంటి ఫీచర్లను అందిస్తుంది.

 ఇమేజ్ అప్‌డేట్‌లతో పాటు, గూగుల్ జెమిని 3.7 ఫ్లాష్, 3.6 ఫ్లాష్, మరియు 3.5 ఫ్లాష్-లైట్‌లలో ఏజెంటిక్ వీడియో అండర్‌స్టాండింగ్‌ను ప్రవేశపెట్టింది.

ఈ సామర్థ్యం, వినియోగదారు సూచనల ఆధారంగా నిర్దిష్ట విజువల్ ఫ్రేమ్‌లు, ఆడియో క్లిప్‌లు, మరియు ట్రాన్స్‌క్రిప్ట్ విభాగాలను డైనమిక్‌గా శోధించడానికి మరియు పరిశీలించడానికి మోడల్‌లను అనుమతించడం ద్వారా, అవి వీడియో కంటెంట్‌ను విశ్లేషించే విధానాన్ని మారుస్తుంది.

గూగుల్ ప్రకారం, ఈ లక్షిత విధానం గణన భారాన్ని గణనీయంగా తగ్గిస్తూ, పనితీరును కూడా గణనీయంగా మెరుగుపరుస్తుంది.

ఏజెంటిక్ వర్క్‌ఫ్లో వీడియో విశ్లేషణ ఖర్చులను 66% వరకు మరియు టోకెన్ వినియోగాన్ని 88% వరకు తగ్గిస్తుంది, అదే సమయంలో కచ్చితత్వాన్ని 7% వరకు పెంచుతుంది.

దీని ఆచరణాత్మక అనువర్తనాలలో సెకనులోపు క్షణాలను తిరిగి పొందడం, దీర్ఘ-రూప వీడియో అంతటా లోతైన శోధనలు, ఆటోమేటెడ్ అసాధారణతలను గుర్తించడం, మరియు విస్తరించిన టైమ్‌లైన్‌లలో వస్తువులు లేదా చర్యలను లెక్కించడం వంటివి ఉన్నాయి.

ఏజెంటిక్ వీడియో అండర్‌స్టాండింగ్ ఫీచర్, గూగుల్ ఏఐ స్టూడియోలోని జెమిని ఏపీఐ మరియు జెమిని ఎంటర్‌ప్రైజ్ ఏజెంట్ ప్లాట్‌ఫామ్ ద్వారా, ఎటువంటి అదనపు ఫీచర్ ఫీజు లేకుండా ప్రామాణిక జెమిని ఏపీఐ టోకెన్ రేట్లతో అందుబాటులో ఉంటుంది.

 ఇది నేరుగా జెమిని యాప్ వినియోగదారులకు కూడా అందుబాటులోకి రానుంది మరియు రాబోయే నెలల్లో వీడియో వాచ్ పేజీలలో యూట్యూబ్ యొక్క రాబోయే "ఆస్క్ యూట్యూబ్" ఫీచర్‌కు శక్తినివ్వనుంది.