TBSテレビが生成AIで映像の内容説明を自動生成、作業時間を約3分の1に

1つの映像を映像のみ、文字情報のみ、音声のみに分けて解析し、最終的に統合するという切り分けが、この手法の中核にあります。検証段階では、テロップや音声に引きずられて、映像そのものとは異なる解釈が出力される現象が確認されました。情報を多く与えるほど解析が正確になるとは限らないという発見に対して、入力の種類を混ぜないという設計で応じたことになります。生成AIに精通したGoogle Cloudのメンバーが伴走し、議論と試行錯誤を重ねた末に定まった方式である点も、この判断の性格をよく表しています。

自社に蓄積された過去の記述を、AIに真似させる手本として使った点も見逃せません。過去の画像とメタデータを読み込ませて書き方を学習させるFew-Shot Learning（いくつかの実例を示して出力の型をまねさせる手法）により、インタビュー映像を「男性が話している」ではなく「男性へのインタビュー」と表現させる方向へ寄せています。Gemini 1.5 Proが扱える200万トークンという長い入力枠が、過去の膨大な蓄積を一度に渡す前提として機能しました。ここで効いているのは汎用的な説明能力ではなく、その放送局が長年書いてきた記述の型を再現させるという狙いの定め方です。

出力の言葉づかいを、現場の検索行動から逆算して設計している点も特徴的です。番組制作スタッフが「◯◯党本部外観」といった語で素材を探す以上、生成される説明文も同じ単語でなければ検索に引っかからないため、いつ、どこで、誰が、何をしたかという基礎情報を明記し、常に同じ形式で出力される工夫が組み込まれました。適用範囲をまず報道カテゴリーに絞ったことも、評価軸を定めやすくする現実的な進め方だったと言えます。