Embed
NEW
NEW
NEW
모든 영상,
하나의 벡터로.
벡터화하고, 확장하세요.
이미지, 텍스트, 오디오를 포함한 풍부한 영상 데이터를 하나의 멀티모달 벡터로 변환해
시맨틱 검색, 추천 시스템, 이상 탐지 등 새로운 가능성을 간편하게 실현합니다.



Embed 01
모달리티는
하나로,
기능은 다양하게.
영상, 이미지, 텍스트, 오디오를
따로 처리할 필요 없이
모든 데이터 소스를
하나의 임베딩 공간에서 연결합니다.
Embed 01
모달리티는 하나로, 기능은 다양하게.
영상, 이미지, 텍스트, 오디오를 따로 처리할 필요 없이 모든 데이터 소스를 하나의 임베딩 공간에서 연결합니다.


Embed 02
단순함 속의
맞춤화.
데이터가 다르다면, 모델도 달라야 합니다.
도메인 특화 파인튜닝으로
비즈니스에 최적화된 성능을 끌어낼 수 있습니다.
Embed 02
단순함 속의 맞춤화.
당신의 데이터는 독특합니다. 당신의 모델도 그래야 합니다. 우리 모델을 귀하의 도메인에 맞게 쉽고 효과적으로 파인 튜닝하여 독보적인 성능을 달성하세요.


Embed 03
처리는 빠르게,
결과는
더 정교하게.
네이티브 영상 지원으로 처리 속도를 단축하고
더 많은 데이터를, 더 빠르게 다룰 수 있습니다.
Embed 03
처리는 빠르게, 결과는 더 정교하게.
네이티브 비디오 지원으로, Embed API는 처리 시간을 단축하고 처리량을 증가시켜 시간과 비용을 절약해 줍니다.
영상이 할 수 있는 모든 일, 임베딩과 함께.
RAG 연동
트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.
고품질 학습 데이터
임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.
모델 학습 최적화
임베딩을 활용해 학습 데이터 품질을 높이고 더 정밀한 대형 언어모델 학습이 가능합니다.
이상 탐지 자동화
까만 화면만 나오는 손상된 영상을 탐지·제거하는 등 데이터 품질을 정제할 수 있습니다.
영상이 할 수 있는 모든 일, 임베딩과 함께.
RAG 연동
트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.
고품질 학습 데이터
임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.
사용자 검색 지원
플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.
대규모 자산 관리
자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.
영상이 할 수 있는 모든 일, 임베딩과 함께.
RAG 연동
트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.
고품질 학습 데이터
임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.
사용자 검색 지원
플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.
대규모 자산 관리
자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.
샘플 앱도 체험해보세요
Node
Python
Python
문맥 기반 광고 추천기
영상 맥락과 감정 톤을 분석해 적절한 광고를 제안합니다.
샘플 앱 사용해보기
샘플 앱 사용해보기
샘플 앱 사용해보기
Python
Python
Python
멀티모달 추천 시스템
비슷한 영상 콘텐츠를 추천해 콘텐츠 탐색을 돕습니다.
샘플 앱 사용해보기
샘플 앱 사용해보기
샘플 앱 사용해보기
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))}")
영상이 할 수 있는 모든 일, 임베딩과 함께.
RAG 연동
트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.
고품질 학습 데이터
임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.
사용자 검색 지원
플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.
대규모 자산 관리
자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.
영상이 할 수 있는 모든 일, 임베딩과 함께.
RAG 연동
트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.
고품질 학습 데이터
임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.
사용자 검색 지원
플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.
대규모 자산 관리
자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.