動画理解は、AI が動画の映像と音声の内容を読み取り、説明、場面の区切り、情報の取り出し、質問への回答などを行う技術です。マルチモーダルのモデルに動画を入力して使います。
2026年10月時点で、Google の Gemini API の文書は、動画の説明、区切り、情報の取り出し、内容についての質問への回答、特定の時刻への言及を挙げています。既定では、動画から1秒に1コマの画像を取り出して処理します。
2026年10月時点で、Microsoft の Azure Content Understanding in Foundry Tools の文書は、話し声の書き起こし（WebVTT 形式）を挙げています。ショットの境界に合わせた区切り、キーフレームの取り出し、区切りごとの説明文の作成、指定した項目の取り出しも挙げています。
- 読み
- どうがりかい
- 英語
- Video understanding
- 業界
- 製造業、小売・流通、医療・福祉、建設、金融・保険、教育機関
- 業務
- 動画、AI 活用
- 出典の確認日