Bedrock ナレッジベースの動画検索に Marengo 3.0、該当シーンの開始・終了時刻が返る

Amazon Bedrock Managed Knowledge Base の埋め込みモデルに TwelveLabs Marengo 3.0 が加わった。告知は2026年9月11日。動画・音声・画像を、テキストに直さないままマルチモーダル埋め込みとして扱えるようになる。

Managed Knowledge Base は以前からメディア検索に対応していた。ただしその中身は、音声と動画をテキストに文字起こしして、そのテキストの埋め込みを作る方式だ。Marengo 3.0 はそこから一歩進み、映像シーン、発話、動画キューを直接マルチモーダル埋め込みに符号化すると AWS は説明する。文字起こしだけでは捉えられない意味を捉える、というのが告知の言い分である。

入力と結果の形が変わる

項目	文字起こし経由（従来）	Marengo 3.0
埋め込みの入力	音声・動画を文字起こししたテキスト	映像シーン、発話、動画キュー
ベクトルの次元	告知に記載なし	512次元
結果に含まれる時刻	告知に記載なし	セグメントの開始・終了時刻
セグメントの分割	告知に記載なし	設定可能

出典：AWS「Amazon Bedrock Managed Knowledge Base now supports multimodal embeddings for video, audio, and image content with TwelveLabs Marengo 3.0」（2026年9月11日）

表の「告知に記載なし」は、従来方式についてこの告知が触れていないという意味だ。そう決まっていると読まない方がいい。

取り込みの流れとして書かれているのは、Amazon S3 のようなデータソースにメディアをアップロードし、sync して、自然言語で検索する、というところまでだ。管理するインフラはないとも書かれている。Bedrock Knowledge Base のデータソース側は別の方向でも広がっていて、たとえば 3LO で SharePoint や Confluence を繋ぐ経路がある。

返ってくるのは区間の開始と終了時刻

Marengo 3.0 の検索結果には、セグメントの開始時刻と終了時刻が含まれる。アプリケーションは該当の場面へ直接ジャンプできる、と告知は書いている。長い動画がヒットしたときにファイル名だけが返るのか、見るべき区間まで返るのかは、作る UI の形をそのまま変える。

セグメントの分割は設定可能で、コンテンツの構造に合わせられるとある。どの単位で切れるのか、既定ではどう切られるのかは書かれていない。

用途として並んでいるのは、スポーツ分析、メディアとエンターテインメント、セキュリティ、教育、小売。具体例は二つある。複数シーズンの試合映像から特定のプレーを見つけること、講義動画の該当部分をキーワードではなく概念で探すことだ。

ベクトルは512次元

Marengo 3.0 が出すのは512次元のベクトルで、AWS はこれを「compact」と呼んでいる。検索精度は「state-of-the-art」と書かれているだけで、比較対象もベンチマークも告知には出てこない。精度の部分は提供元の主張として読むしかない。

次元数はベクトルストアのインデックス定義に入る値だ。すでに別の埋め込みモデルでインデックスを持っているなら、それを使い回せるのか作り直すのかは自分の構成しだいで、告知はそこに触れていない。

置き換えなのか、併用できるのかは読み取れない

告知は文字起こし方式を「すでに対応している」ものとして書き、Marengo 3.0 をその先に置いている。従来の文字起こし方式が止まるとは書かれていない。同じナレッジベースで両方を同時に使えるとも書かれていない。すでに動いているメディア検索を持っているなら、この関係がはっきりするまで移行の順序は決められない。

対応リージョンと料金も同じで、告知には載っていない。試すかどうかの判断に直接効く値なので、自分のアカウントで確かめることになる。

キーワードで拾えない探し方が要件にあるか

採否は、検索の要件がどちら側にあるかでほぼ決まる。文字起こしに現れる語で目的の箇所にたどり着けているなら、いまの構成を変える理由はない。会議録画やウェビナーのように話された言葉が情報のほとんどを占める素材はここに入る、というのは素材の性質からの推測で、告知が用途をそう分類しているわけではない。

分かれ目は、画面に映っているものや場面の切り替わりを手がかりに探したいときだ。口に出されていない情報は、文字起こしのテキストには残らない。告知の例でいえば、試合映像から特定のプレーを探す用途がこれにあたる。

区間の時刻が返ることを使うつもりがあるかどうかも、同じくらい判断材料になる。ヒットした動画を人が頭から見るワークフローのままなら、埋め込みモデルを入れ替えても現場の体験はほとんど変わらない。