TwelveLabsが動画編集AI「Rodeo」公開　自然言語で素材を即座に検索・構成

動画編集で最も時間を奪われる作業といえば、膨大な素材の中から目当てのカットを探し出す作業です。何十時間ものフッテージを行き来し、ほんの数秒の表情や発言を探す苦労は編集者なら誰もが知っています。

動画理解AIを手がけるTwelveLabsは、初のエンドユーザー向けアプリケーション「Rodeo」を発表しました。自然言語で素材の検索、抽出、組み立てを行えるクリエイティブ向けAIコパイロットです。

素材を全部覚えているアシスタントが編集室にやってきた

Rodeoを使えば、クリエイターは欲しいシーンを普段の言葉で指示するだけで、AIが素材ライブラリ全体から最適なクリップを探し出してタイムライン上にまとめてくれます。

単に画面に何が映っているかをタグ検索するのではなく、シーンの文脈や重要度まで理解するのが特徴です。怒っている人物の表情や、会話の微妙な間など、前後の流れを汲み取った検索が可能です。

MCPサーバーなどエコシステムの成熟により、複雑なIT環境の構築なしに導入できる点もアピールされています。ドキュメンタリー作家やポストプロダクションの担当者が、数分で粗編集の骨組みを作れる環境を目指しています。

1時間動画を処理するMarengoとPegasusの連携

これまでモデルや基盤技術を提供してきたTwelveLabsですが、Rodeoの裏側には自社の主力モデルが2つ組み込まれています。

ひとつは動画理解モデルのMarengo 3.0です。映像を単なる静止画の連続ではなく動的なシステムとして捉え、映像、音声、テキスト、動作、シーンのリズムをまるごと検索可能な形に圧縮します。

もうひとつが長尺動画を扱うPegasus 1.5です。最長1時間の動画に対応し、視覚と音声の双方を解析して精度の高いテキスト説明を生成します。低遅延かつ低コストを維持しながら、長時間のフッテージを把握できるのが強みです。

なぜ重要か

動画クリエイターにとって、Rodeoの提供価値は非常に明快です。制作工程で最も退屈かつ体力を削られる素材探しの時間を大幅に短縮できます。インタビュー動画やイベント記録など、膨大な未整理素材を抱える制作現場なら、今すぐ試す価値があるツールと言えます。

業界全体で見ると、基盤モデル専業だったスタートアップが自らアプリケーション層へ進出した点が注目されます。API提供だけでは伝わりにくかった高度な動画理解技術を、直接クリエイターの手元に届けることで、Adobeなどの既存編集ソフトベンダーにとっても強力な刺激となるはずです。

TwelveLabsのこの戦略は賢明に見えますが、プロの映像編集は1フレーム単位のタイミングや演出意図に強く左右されます。AIが選んだカットがどこまで編集者の感性に合致するのか、実際の制作現場での実用度が見極めのポイントになりそうです。