動画検索AIのTwelveLabsが3000万ドル調達、元Siri開発者を社長に起用

数千時間に及ぶアーカイブ映像の中から「赤い服を着た人物がレストランに入った瞬間」を探し出すのは、これまで気の遠くなるような手作業でした。動画特化型AIを開発するTwelveLabsは、その常識を変えようとしています。

TechCrunchの報道によると、同社は3,000万ドルの新たな戦略的資金調達を実施しました。これにより累計調達額は1億710万ドルに達しました。出資にはDatabricksやSnowflakeのほか、SK Telecom、HubSpot Ventures、そして米情報機関系VCのIn-Q-Telが名を連ねています。

同時に、AppleのSiriで主任設計者を務め、SK TelecomのCTOを歴任したYoon Kim氏が社長兼最高戦略責任者（CSO）に就任したことも発表されました。

汎用AIとは一線を画す「動画ファースト」のアプローチ

GoogleのGeminiをはじめとする大手マルチモーダルAIも動画を扱えますが、共同創業者のJae Lee氏に言わせれば、それらはテキスト中心のモデルに動画を追加したに過ぎません。TwelveLabsは創業当初から動画理解に特化し、映像内の動作、物体、さらには背景音までテキストとマッピングするモデルを開発してきました。

同社のMarengoモデルは、動画、画像、音声を相互に検索できるほか、マルチモーダルな埋め込みベクトルを生成するEmbed APIを提供しています。

すでに3万人以上の開発者が利用しており、ハイライト動画の自動生成や広告挿入、自治体におけるリアルタイムの脅威検知や交通管理などに活用されています。

さらに強力なのがエンタープライズ連携です。Databricksは既存のデータパイプラインから同社の埋め込みサービスを呼び出せるようにし、SnowflakeもCortex AI内でTwelveLabsモデルへのコネクタを構築しています。

一方で課題もあります。過去の研究ではニュース映像のバイアスがAIに悪影響を与えるリスクが指摘されており、同社が以前予告していた倫理ベンチマークの公開はまだ実現していません。Lee氏は社内で厳格な事前テストを行っていると説明しています。

なぜ重要か

私たちは、TwelveLabsがDatabricksやSnowflakeというデータ基盤の巨人たちと直接手を組んだ点を極めてスマートだと評価しています。企業内に眠る膨大な動画データは活用のハードルが高く、大手のデータウェアハウスから直接呼び出せるインフラ層を押さえたことで、強固な参入障壁を築きつつあります。

動画アーカイブを抱えるメディア企業や開発者にとって、汎用LLMで動画を無理に処理するよりも、精度とコストの面で今すぐ試す価値が十分にあります。

ただし、懸念点もあります。In-Q-Telの出資が示すように、監視や防犯などのセキュリティ分野での活用が進むことは確実視されています。そうした領域では誤認識や偏見の代償が極めて重いため、先送りにされているバイアス評価基準の策定と開示を早期に果たせるかが、今後の信頼性を大きく左右することになりそうです。