AIが動画内容を要約してくれる時代の到来

• 被写体の特徴：画像内の物体や人物などを認識・分類
• 顔の検出・分析：人物の顔を検出し、大きさや表情を分析
• カメラワーク：ズームイン、パンニングなどの撮影技法を検出
• 音声・テキスト情報：発言内容や音声の特徴を分析
• 前後の文脈：映像全体の流れにおける位置づけを考慮

NECは「記述的映像要約技術」と呼ばれる、映像認識AI×LLMを組み合わせた技術を開発しました。この技術は、長時間の映像からユーザーの要望に沿ったシーンのみを抽出し、さらにそのシーンを説明する要約文まで自動生成できます。

NECの劉健全氏は、この技術を「ChatGPTの映像版」と表現しています。従来の映像解析が可視化だけにとどまっていたのに対し、この技術では映像内で何が起きているか、ストーリーテリングのような形でわかりやすく示す要約文を生成します。

主な特徴：

• ユーザーの視点に合わせた映像要約の生成
• 自然言語での指示による直感的な操作
• 自動要約＋説明文の生成によるわかりやすさ
• 100以上の認識エンジンを組み合わせた高度な映像解析

主な用途：

• 保険調査（ドライブレコーダー映像の事故シーン抽出と報告書作成）
• 工場の製造ライン監視（異常検知と報告）
• 介護・看護分野での日報作成
• スポーツ映像からの特定選手追跡ダイジェスト作成

NHKは、ニュース番組や一般番組の映像から重要なシーンを自動抽出し、短い要約動画を生成するAIシステムを開発・実用化しています。これらのシステムは、NHKの本部や多くの地域放送局で実際に活用されており、生成された要約動画が日々SNSで配信されています。

ニュース映像要約システム：

• 「N-VSNN（News Video Summarization Neural Network）」を使用
• ニュース番組の重要シーンの特徴（ズームイン、パンニング、特殊な撮影アングルなど）を学習
• 被写体特徴、顔クラス特徴、カメラ動き特徴などを総合的に分析
• 約15～30分のニュース番組を1～2分程度に自動要約

一般番組要約システム：

• 「P-VSNN（Program Video Summarization Neural Network）」を使用
• 映像区間だけでなく近傍カットや番組全体の特徴も加味して重要シーンを抽出
• プロの編集スタッフが作成した約100本の番組要約動画で学習

さらにNHKは、番組のサムネイル画像を自動抽出する技術も開発しています。番組ジャンルごとの特性（ドラマなら出演者重視、紀行番組なら景色重視など）を考慮して最適な画像を選定する機能も備えています。

オンライン講義、セミナー、学術発表などの長時間コンテンツを短時間で理解できます。複数の講義を効率的に視聴して知識を広げることが可能です。

長時間の会議や製品説明、業界のウェビナーなどを要約して、効率的な情報収集が可能です。また、社内の動画コンテンツをナレッジベース化する際にも役立ちます。

長いニュース番組や解説動画から重要なポイントだけを抽出して、効率的に情報をキャッチアップできます。

動画制作者が自分の長編コンテンツからハイライト版を簡単に作成できます。また、制作した動画のプロモーション用サムネイルの選定も自動化できます。