Twelve Labs, une entreprise de recherche et de développement en intelligence artificielle basée dans la baie de San Francisco, est à l’avant-garde de la compréhension multimodale des vidéos. Aujourd’hui, nous sommes ravis de dévoiler les dernières fonctionnalités de génération de texte à partir de vidéos de Pegasus-1, notre dernier modèle de langage vidéo. Cela représente notre engagement à offrir une gamme complète d’API adaptées aux différentes tâches de compréhension vidéo. Notre gamme s’étend de la recherche de moments vidéo basée sur le langage naturel à la classification, et maintenant, avec la dernière version, à la génération de texte à partir de vidéos.
Les données vidéo sont intrigantes car elles contiennent plusieurs modalités dans un seul format. Nous croyons que la compréhension des vidéos nécessite une approche nouvelle et originale de l’alliance des subtilités de la perception visuelle et des nuances contextuelles et séquentielles de l’audio et du texte. Avec l’émergence de modèles d’images et de langage performants, l’approche dominante pour la compréhension des vidéos consiste à la reformuler comme un problème de compréhension de l’image ou de l’audio. Un cadre typique impliquerait l’échantillonnage de trames à partir de la vidéo et leur entrée dans un modèle de langage visuel. Si cette approche peut être viable pour les courtes vidéos (ce qui explique pourquoi la plupart des modèles de langage visuel se concentrent sur les clips vidéo de moins de 1 minute), la plupart des vidéos du monde réel dépassent les 1 minute et peuvent facilement s’étendre sur des heures. L’utilisation d’une approche « image-first » standard sur de telles vidéos signifierait le traitement de dizaines de milliers d’images pour chaque vidéo, ce qui entraînerait la manipulation de vastes ensembles d’embeddings texte-image qui capturent à peine les sémantiques de l’information spatiotemporelle. Cela est impraticable dans de nombreuses applications en termes de performances, de latence et de coût. En outre, la méthodologie dominante néglige la nature multimodale des vidéos, où l’analyse conjointe des éléments visuels et auditoires, y compris la parole, est cruciale pour une compréhension complète de leur contenu.
