Embed

NEW

すべてをベクトル化。

何でもできる。

画像・テキスト・音声を含む豊富な動画データをベクトル化し、新たな可能性へと変える。

Playgroundをお試しください

Embed 01

マルチモーダルだからといって、マルチモデルである必要はない。

画像・テキスト・音声・動画ごとに分断されたソリューションを、もはやつなぎ合わせる必要はありません。すべてのモダリティに対応し、豊富な動画データを同一空間内のベクトルへと変換します。

Embed 01

マルチモーダルだからといって、マルチモデルである必要はない。

Embed 02

シンプルだからといって、ありきたりである必要はない。

データが唯一無二であるように、モデルもそうあるべきです。独自のドメインに合わせてモデルを容易にファインチューニングし、圧倒的なパフォーマンスを実現します。

Embed 02

シンプルだからといって、ありきたりである必要はない。

Embed 03

より高品質な結果を、より短い処理時間で。

動画のネイティブサポートにより、Embed APIは処理時間を短縮し、スループットを向上させ、これにより、時間とコストを削減します。

Embed 03

より高品質な結果を、より短い処理時間で。

動画のネイティブサポートにより、Embed APIは処理時間を短縮し、スループットを向上させ、これにより、時間とコストを削減します。

動画の可能性を、あらゆるユースケースで。

RAG（検索拡張生成）との連携

当社のモデルをお客様のRAGパイプラインと組み合わせることで、関連情報を的確に抽出し、データ出力の精度を飛躍的に向上させます。

高品質なトレーニングデータ

エンベディング技術によってワークフローを変革します。学習データの作成やデータ品質の向上を実現し、手作業によるラベリング工数を大幅に削減します。

モデルのトレーニング

Use embeddings to improve data quality when training large language models.

異常検出

黒い背景しか表示されない破損した動画を自動で検出・削除するなど、異常を特定してデータの品質を向上させます。

動画の可能性を、あらゆるユースケースで。

RAG（検索拡張生成）との連携

当社のモデルをお客様のRAGパイプラインと組み合わせることで、関連情報を的確に抽出し、データ出力の精度を飛躍的に向上させます。

高品質なトレーニングデータ

カスタマー検索の強化

プラットフォームを利用する顧客自身が、動画内のあらゆる瞬間を簡単かつ直感的に見つけ出せるようサポートします。

アセット管理

自然言語による検索で、ペタバイト級の膨大なデータから目的のコンテンツをくまなく探し出します。

動画の可能性を、あらゆるユースケースで。

RAG（検索拡張生成）との連携

当社のモデルをお客様のRAGパイプラインと組み合わせることで、関連情報を的確に抽出し、データ出力の精度を飛躍的に向上させます。

高品質なトレーニングデータ

カスタマー検索の強化

プラットフォームを利用する顧客自身が、動画内のあらゆる瞬間を簡単かつ直感的に見つけ出せるようサポートします。

アセット管理

自然言語による検索で、ペタバイト級の膨大なデータから目的のコンテンツをくまなく探し出します。

Sample Apps

node

PYTHON

Contextual and Personalized Ads

A tool for analyzing source footage, summarizing content, and recommending ads based on the footage's context and emotional tone.

Try this sample app

PYTHON

Recommendations using Multimodal Embeddings

Start exploring videos and discovering similar content powered by TwelveLabs Multimodal Embeddings.

Try this sample app

Python

Node

from twelvelabs import TwelveLabs
from twelvelabs.models.embed import EmbeddingsTask, SegmentEmbedding

client = TwelveLabs("<YOUR_API_KEY>")

# Create a video embedding task for your video
task = client.embed.task.create(
   model_name="Marengo-retrieval-2.7",
   video_url: "<YOUR_VIDEO_URL>"
)

print(f"Created task: id={task.id} model_name={task.model_name} status={task.status}")

# Wait for embedding task to finish
status = task.wait_for_done()
print(f"Embedding done: {status}")

# Retrieve the video embeddings
task = task.retrieve()

# Print the embeddings
if task.video_embedding is not None and task.video_embedding.segments is not None:
    for segment in task.video_embedding.segments:
            print(
                f"  embedding_scope={segment.embedding_scope} start_offset_sec={segment.start_offset_sec} end_offset_sec={segment.end_offset_sec}"
            )
            print(f"  embeddings: {", ".join(str(segment.embeddings_float))}")

Python

Node

from twelvelabs import TwelveLabs
from twelvelabs.models.embed import EmbeddingsTask, SegmentEmbedding

client = TwelveLabs("<YOUR_API_KEY>")

# Create a video embedding task for your video
task = client.embed.task.create(
   model_name="Marengo-retrieval-2.7",
   video_url: "<YOUR_VIDEO_URL>"
)

print(f"Created task: id={task.id} model_name={task.model_name} status={task.status}")

# Wait for embedding task to finish
status = task.wait_for_done()
print(f"Embedding done: {status}")

# Retrieve the video embeddings
task = task.retrieve()

# Print the embeddings
if task.video_embedding is not None and task.video_embedding.segments is not None:
    for segment in task.video_embedding.segments:
            print(
                f"  embedding_scope={segment.embedding_scope} start_offset_sec={segment.start_offset_sec} end_offset_sec={segment.end_offset_sec}"
            )
            print(f"  embeddings: {", ".join(str(segment.embeddings_float))}")

Python

Node

from twelvelabs import TwelveLabs
from twelvelabs.models.embed import EmbeddingsTask, SegmentEmbedding

client = TwelveLabs("<YOUR_API_KEY>")

# Create a video embedding task for your video
task = client.embed.task.create(
   model_name="Marengo-retrieval-2.7",
   video_url: "<YOUR_VIDEO_URL>"
)

print(f"Created task: id={task.id} model_name={task.model_name} status={task.status}")

# Wait for embedding task to finish
status = task.wait_for_done()
print(f"Embedding done: {status}")

# Retrieve the video embeddings
task = task.retrieve()

# Print the embeddings
if task.video_embedding is not None and task.video_embedding.segments is not None:
    for segment in task.video_embedding.segments:
            print(
                f"  embedding_scope={segment.embedding_scope} start_offset_sec={segment.start_offset_sec} end_offset_sec={segment.end_offset_sec}"
            )
            print(f"  embeddings: {", ".join(str(segment.embeddings_float))}")