TwelveLabs

TwelveLabs は、サンフランシスコの企業 Twelve Labs が提供する動画理解インフラで、生の動画を検索可能で計算可能なベクトルと構造化データに変換します。動画生成は行わず、「動画を見つけて読み解く」層を補うもので、動画 RAG を必要とする開発者や膨大なアーカイブを抱えるメディア機関に提供されています。

中核機能

• セマンティック検索：自然言語の一文で、数時間から数年に及ぶ素材の中から該当する秒を特定できます。手作業のタグ付けは不要です。
• マルチモーダル Embedding：Marengo は動画、音声、画像、テキスト、さらには PDF ページを同一の 512 次元空間にマッピングし、組み合わせクエリと不確実性シグナルに対応します。
• 構造化出力：Pegasus はカスタム schema に沿って区間ごとにタグ付けし、タイムスタンプ付き JSON を返すため、そのまま下流のパイプラインに流せます。
• タイムライン上のメタデータ融合：スコアや商品 ID といった外部データをクリップに紐づけ、映像・音声のベクトルと一緒に検索できます。
• 大規模な取り込み：公式は単一パイプラインで約 60 倍のリアルタイム速度と述べており、単一の API 呼び出しで 4 時間の動画を処理できます。
• Agent とコンプライアンス層：Jockey は複数のライブラリを横断して素材を探し書き出し、MCP 経由で Claude と ChatGPT に接続します。Compliance には 40+ の地域別ルールパッケージが組み込まれています。

適した用途 メディアやスポーツの権利元によるアーカイブの収益化、アドテクのコンテキストターゲティング、コンテンツのコンプライアンス審査、公共部門のフォレンジック、そして現在最も一般的な構成である、Marengo でクリップを検索してから大規模モデルに渡して下流の推論を行う使い方です。

独自の強み Google Cloud Video Intelligence API は 2026 年 9 月に非推奨となり、翌年に停止します。従来のタスク型動画 API は Gemini に吸収されつつあります。TwelveLabs の違いは、動画ネイティブの事前学習と「一度インデックス化すれば長期に再利用できる」点を組み合わせていることにあり、競合は垂直型の動画ベンダーから汎用マルチモーダルモデルへと移っています。

編集部の評価 動画理解というセグメントでは製品の完成度が最も高いです。モデルの系譜が明確で、API から agent、コンプライアンスアプリまでフルスタックで通り抜けています。ただし第三者による評判のサンプルはほぼゼロで、benchmark はいずれもベンダー自身の測定であり独立した再現がないため、業界トップと見るべきではありません。価格も移行期にあります。クエリ頻度の高いアーカイブ型の業務には選ぶ価値がありますが、ライブラリが小さくクエリが少ないチームは Gemini を使うほうが安上がりです。