TwelveLabsの動画埋め込みモデル「Marengo 3.0」がAmazon BedrockのKnowledge Basesで利用可能に

TwelveLabsの動画埋め込みモデル「Marengo Embed 3.0」が、Amazon BedrockのマネージドKnowledge Bases（MKB）で埋め込みモデルとして一般提供になった。AWSの公式ブログが使い方のウォークスルーとともに伝えたもので、TwelveLabs側もMarengoとしてBedrockのマネージドKnowledge Baseに入った初の動画モデルだとしている。映像ライブラリを接続すれば、テキストを検索するように意味内容で動画・画像・音声を探せる。

マネージドKnowledge Baseでの動き

• 取り込み: Amazon S3上のマルチモーダルコンテンツを取り込み、マネージドMKBがフレーム抽出・音声書き起こし・セグメントごとのMarengo Embed 3.0埋め込み生成・インデックスへのベクター書き込みを自動実行する。
• 検索: アプリケーションはBoto SDKのRetrieve API、またはAmazon Bedrock AgentCoreのGatewayターゲットとしてナレッジベースにクエリする構成が示されている。
• 料金: マネージドKnowledge Basesは保存・取得の従量課金で、Marengo Embed 3.0による埋め込み生成は標準のAmazon Bedrock料金で請求されるとしている。

Marengo 3.0の位置づけ（TwelveLabs公称）

• 概要: 動画・音声・テキスト・画像とそれらの組み合わせを扱う実世界向けマルチモーダル埋め込みモデル。多言語の動画アーカイブ、作曲検索、音声理解、スポーツ分析、OCRなどを狙うとしている。
• 効率: 512次元の埋め込みで、Amazon Nova（3072次元）比で6倍、Google Vertex（1408次元）比で3倍の保存効率だとしている（TwelveLabsの公称値）。
• 性能と速度: 合成性能73%で最高、レイテンシは動画1秒あたり0.05秒（正規化値）で最速とし、Novaは1秒あたり1.5秒超で30倍遅いとしている（いずれもTwelveLabsの公称値で、独立した第三者評価は示されていない）。
• ベンダー公称値と独立評価は区別が必要で、実際の精度・速度・コストはデータと言語・利用条件に依存する点に留意が必要だ。

出典

• Video and image search in Amazon Bedrock Knowledge Base using Marengo 3.0 | AWS Machine Learning Blog
• Marengo 3.0: Real-World Multimodal Embedding AI | TwelveLabs