TBSテレビ、Gemini 1.5 Proで映像のメタデータを自動生成。作成時間は10分の1、トータルで約3分の1に

テレビ局では、映像素材を探すために「メタデータ」（映像の内容を説明したテキスト）を付けますが、これは人の手で行われてきました。3分間の映像素材なら、基礎的な作業に約40分、別のスタッフのチェックに15分と、1時間近くかかります。各部門を合わせて100名近くが対応しても遅れが慢性化し、ニュースでは映像を使いたい撮影直後の1週間程度に間に合わず、メタデータ付けに2〜3週間かかることもありました。

2024年3月にGemini 1.5 Proを紹介され、ロングコンテキストと、映像・音声・テキストのマルチモーダル処理が必要な条件に合うと判断しました。Google Cloudのチームと検証を重ね、映像のみ・文字情報のみ・音声のみと別々に解析させて最後に統合する方法にたどり着きました。

過去の画像とメタデータを読み込ませて人の書き方を真似させるFew-Shot Learningで、報道カテゴリーから精度の高いメタデータを自動生成する方法を確立しました。2025年3月にはGemini 2.0 Flashへ更新しています。

最初のテストから1年足らずで、メタデータ作成時間は10分の1になりました。チェックは引き続き人が行いますが、トータルの所要時間も約3分の1に短縮されています。映像収録後に2〜3週間かかっていた作業が5日ほどに短縮できる見込みが立ちました。タイムスタンプの自動付与や、メタデータの内容の均質化も実現しました。