Embed feature 1
Embed feature 1
Embed feature 1

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-illustration
embed-illustration

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-animaion
embed-animaion

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.

Illustration for slider section
RAG 연동

트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.

Illustration for slider section
고품질 학습 데이터

임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.

Illustration for slider section
모델 학습 최적화

임베딩을 활용해 학습 데이터 품질을 높이고 더 정밀한 대형 언어모델 학습이 가능합니다.

Illustration for slider section
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.

Illustration for slider section

고품질 학습 데이터

임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.

Illustration for slider section

사용자 검색 지원

플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.

Illustration for slider section

대규모 자산 관리

자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.

Illustration for slider section

영상이 할 수 있는 모든 일, 임베딩과 함께.

RAG 연동

트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.

Illustration for slider section

고품질 학습 데이터

임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.

Illustration for slider section

사용자 검색 지원

플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.

Illustration for slider section

대규모 자산 관리

자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.

Illustration for slider section

샘플 앱도 체험해보세요

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))}")

SDK로 통합하세요

직접 학습시킨 모델을 원하는 클라우드 환경에 배포하고,
영상 속 필요한 모든 순간을 포착하세요.

Thread cover

영상에서 벡터로, 가능성으로.

지금 바로 플레이그라운드에서
트웰브랩스의 영상 특화 AI를 경험해보세요.

blue-green-shapes

영상에서 벡터로, 가능성으로.

지금 바로 플레이그라운드에서
트웰브랩스의 영상 특화 AI를 경험해보세요.

Thread cover

영상에서 벡터로, 가능성으로.

지금 바로 플레이그라운드에서
트웰브랩스의 영상 특화 AI를 경험해보세요.

영상이 할 수 있는 모든 일, 임베딩과 함께.

RAG 연동

트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.

Illustration for slider section
고품질 학습 데이터

임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.

Illustration for slider section
사용자 검색 지원

플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.

Illustration for slider section
대규모 자산 관리

자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.

Illustration for slider section

영상이 할 수 있는 모든 일, 임베딩과 함께.

RAG 연동

트웰브랩스 모델을 RAG 파이프라인과 연결해 보다 정확하고 유의미한 결과를 끌어냅니다.

Illustration for slider section
고품질 학습 데이터

임베딩을 활용해 데이터 품질을 높이고, 수작업 없이도 학습용 데이터셋을 손쉽게 구성할 수 있습니다.

Illustration for slider section
사용자 검색 지원

플랫폼 사용자들이 영상 속 원하는 순간을 쉽게 찾을 수 있도록 도와줍니다.

Illustration for slider section
대규모 자산 관리

자연어로 수백만 개의 영상 데이터를 효율적으로 탐색하고 정리할 수 있습니다.

Illustration for slider section