康泰纳仕携手亚马逊云科技，利用生成式AI将14万段视频检索效率提升99%

一句话结论

康泰纳仕基于亚马逊云科技Bedrock构建多模态视频搜索，将检索时间从250分钟大幅缩短至2分钟。

关键要点

• 康泰纳仕（Condé Nast）基于亚马逊云科技（AWS）生成式AI创新中心（GenAIIC）方案，结合亚马逊Bedrock（Amazon Bedrock）与OpenSearch服务构建多模态视频搜索。
• 方案引入TwelveLabs公司开发的Marengo嵌入模型，实现视觉、音频和文字转录三种模态信号的联合编码，支持意图驱动的语义搜索。
• 在包含超过140,000个视频的库规模下测试，内容发现任务平均时间从250分钟缩短至2分钟以内，发现时间减少99.2%。
• 方案采用异步摄取管道处理视频可搜索化，同步服务层处理用户查询，搜索流程可将自然语言查询转换为向量检索并返回精确时间戳。
• 根据估算，该多模态搜索方案每年可节省80万美元的运营成本，系统已在生产环境运行六个月。

背景与事实

康泰纳仕与亚马逊云科技生成式AI创新中心合作，基于亚马逊Bedrock和亚马逊OpenSearch服务构建多模态视频发现解决方案。该方案的核心组件为TwelveLabs公司开发的Marengo嵌入模型，该模型将视觉、音频和文字转录信号联合编码，在亚马逊Bedrock上执行意图驱动的语义搜索，支持多项搜索功能。康泰纳仕于2026年5月对该方案进行了基准测试，结果显示，在包含超过140,000个视频的库规模下，内容发现任务的平均处理时间从原先的250分钟缩短至2分钟以内，发现时间减少99.2%。该方案不仅提供基础检索，搜索流程还能将用户的自然语言查询转换为向量检索，并直接返回精确的视频时间戳。

该系统的底层架构由两个相互解耦的平面组成：异步摄取管道负责处理视频的可搜索化，同步服务层则负责处理用户的实时查询请求。向量索引采用亚马逊OpenSearch服务托管的k-最近邻（k-NN）搜索功能，该功能支持多可用区复制和混合查询元数据过滤。为了保证安全性与可审计性，方案通过亚马逊Bedrock访问Marengo模型，利用AWS身份和访问管理（IAM）进行严格的访问控制，通过亚马逊VPC（Amazon VPC）实现网络隔离，并使用亚马逊CloudTrail（AWS CloudTrail）提供审计能力。该方案的部署环境支持多可用区，以确保系统的持久性与高可用性。

影响分析

对于从事视频内容管理的从业者与中文开发者而言，该案例展示了在大规模视频库环境下，传统仅依赖元数据的搜索方案已无法满足复杂语义检索的需求。分析判断认为，将视觉、音频和文字转录三种模态信号进行联合编码，是实现意图驱动语义搜索的有效路径。通过采用异步摄取管道处理视频可搜索化，可以有效避免在拥有超过140,000个视频规模下，同步调用可能产生的性能瓶颈。这种架构设计使得摄取与服务两个平面能够独立演进、扩展和应对故障，从而在摄入管道需要重新处理回填内容或接收更新时，搜索服务依然能够保持可用。

从工程实施和运营成本的角度来看，该架构的分离设计为开发者提供了灵活的维护空间。在生产环境运行六个月期间，系统展现了较强的稳定性。分析判断指出，将发现时间减少99.2%并估算每年节省80万美元运营成本，证明了多模态向量搜索在效率提升和成本节约方面的巨大潜力。此外，针对真实编辑查询进行迭代基准测试以确定视频片段长度，平衡精确率与召回率的做法，为优化语义信号稀释与上下文丢失之间的平衡提供了可参考的工程经验。

适用边界

该多模态视频发现方案的结论主要适用于管理大型视频库的组织，包括广播机构、流媒体服务、体育联盟和企业媒体团队。其核心前提依赖于拥有海量非结构化音视频数据且传统元数据搜索已失效的场景。该方案不适用于小规模、静态且已有完善的元数据索引体系的传统图文内容管理系统。此外，由于方案涉及多种模态信号的联合编码与处理，对于计算资源有限或不具备复杂向量数据库基础设施的小型团队，其落地成本与系统复杂度可能远超实际业务需求。

孤本观察

将摄取与服务架构解耦并内建多可用区可用性，表明该系统从设计初期就将大规模扩展与业务连续性置于核心考量。这种在14万级视频规模下对同步瓶颈的前置规避，体现了针对特定规模痛点量身定制架构的工程判断。

来源：AWS Machine Learning Blog