# Video Search

> 画面に映っているものを言葉で入力すると、動画のその場面へすぐジャンプ。AIモデルがGPU上で5秒ごとに1フレームを索引化し、動画はどこにもアップロードされません。

- URL: https://bytescope.dev/ja/video-search/
- Locale: ja · Also: [en](https://bytescope.dev/en/video-search.md) · [zh-Hant](https://bytescope.dev/zh-Hant/video-search.md)
- Runs: ファイルはブラウザから送信されません — 処理はすべてローカルで行われます。
- Requires: Chrome or Edge on desktop with WebGPU. Without WebGPU the search cannot run and the page says so; Safari, Firefox and mobile browsers are untested. The first use downloads about 344 MB of model files once.
- Updated: 2026-09-08

## What it does

動画をドロップして、探している場面を言葉にしてください。「芝生を走る犬」「棒グラフの入ったスライド」「海に沈む夕日」といった具合です。スクリーンショットをドロップ・貼り付け・選択して、それに似た場面を探すこともできます。ページはまず 5 秒ごとに 1 フレームを取り出し、EmbeddingGemma 2 モデルをあなたのグラフィックカードで動かして各フレームをベクトルに変換します。入力した言葉や画像も同じ方法でベクトルになります。最初のフレームの索引ができた時点で検索を始められます。続いて 2 回目のパスがバックグラウンドで 1 秒ごとに 1 フレームを埋めていき、これは一時停止と再開ができます。もっとも近い場面はサムネイルとタイムコード付きで最大 12 件並び、クリックするとプレイヤーがその位置から再生します。「Video Trimmer で切り出す」を押すと、Video Trimmer 側で同じファイルをもう一度選んだときにその範囲が自動で入ります。

### 必要なもの

初回だけ約344 MBのモデルファイルをダウンロードします。その後はブラウザ内に保存され、そこから読み込まれます。モデルはWebGPUで動くため、グラフィックカードを積んだデスクトップパソコンのChromeかEdgeが必要です。WebGPUがない環境に代替手段はありません。このモデルはCPUでは動かせないので、無理に試す代わりにページがその旨を表示します。SafariとFirefoxは未検証のため、対応を謳っていません。動画がアップロードされることはなく、フレームの取り出しも索引化もこのタブの中だけで完結し、その内容が外に出ることはありません。

### 正直な限界

フレームは、入力した言葉と意味がどれだけ近いかで並びます。モデルが動画の中身を本当に理解しているわけではありません。物・場所・色・スライドのように目に見える具体的なものが得意で、「面白いところ」のような抽象的な言葉は苦手です。見るのは映像だけで音は聞こえないので、「歌っている人」と探しても手がかりは画面に映っているものだけです。話している内容を探すなら Voice Notes を使ってください。最初のパスは 5 秒に 1 フレームしか見ないため、細かいパスがその部分に届くまでは、それより短いショットが 2 つのサンプルの間に落ちて見逃されることがあります。索引にかかる時間はグラフィックカード次第で、GTX 1060 なら最初のパスは動画 1 分あたり約 3 秒、40 分の映画でも 2 分ほどで検索できるようになります。細かいパスは動画 1 分あたり約 15 秒です。ベクトルはこのブラウザに保存されるので、ページを閉じて戻ってきても、同じファイルを選べば止まったところから索引を再開します。開ける形式は Video Trimmer と同じで、ブラウザがデコードできる MP4・MOV・WebM・MKV です。HEVC デコーダーのないパソコンでは HEVC の動画は読めません。

## Limits

Does not upload the video, does not listen to the sound (it searches pictures only), does not look at every frame (one frame every 5 seconds, so shots shorter than that can be missed), does not understand the video (it ranks frames by similarity to your words), and does not keep the index after you reload the page.

## FAQ

### 動画はアップロードされますか？

いいえ。動画はディスクから読み込まれ、フレームの取り出しはこのタブ内のバックグラウンドワーカーで行い、AIモデルはあなたのグラフィックカード上で動きます。通信が発生するのは初回のモデルダウンロードだけで、動画も検索した言葉もどこにも送られません。

### FirefoxやSafari、スマホで動かないのはなぜ？

モデルにはWebGPUが必要で、検証したのはデスクトップのChromeとEdgeだけです。WebGPUがなければこのページでは一切動かないため、代わりに対応表を表示します。Safari・Firefox・モバイルブラウザは未検証なので、WebGPUを備えていても対応を謳っていません。

### 索引化にはどれくらいかかりますか？

グラフィックカード次第です。GTX 1060 なら、5 秒に 1 フレームの最初のパスは動画 1 分あたり約 3 秒で、40 分の動画なら 2 分ほどで検索できるようになります。初回はこれに 344 MB のモデルダウンロードが一度だけ加わります。その後、1 秒に 1 フレームの細かいパスがバックグラウンドで動画 1 分あたり約 15 秒のペースで進みます。これは一時停止も再開もでき、その間も検索は使えます。最初のパスの途中でキャンセルしても、終わった部分は検索できます。キャンセルできないのはモデルのダウンロードとファイルを開く処理だけです。ページを閉じても、あとで同じファイルを選び直せば索引済みのフレームから続きが始まります。

### 動画の中で話している内容を探せますか？

いいえ。見ているのは映像だけで音声は一切聞いていないので、話し声・音楽・効果音は検出できません。話している言葉を探すなら、Voice Notesで音声を文字起こしして、そちらで検索してください。

### 短いシーンを見逃したのはなぜ？

最初のパスは 5 秒に 1 フレームしか見ないので、1 秒に 1 フレームの細かいパスがその部分に届くまでは、それより短いショットが 2 つのサンプルの間に落ちることがあります。細かいパスが終わったあとでも、1 秒未満のショットは見逃す可能性があります。各結果はサンプリングしたフレームから始まるため、探している瞬間は表示されたタイムコードより少し前か後ろから始まることがあります。

### 精度はどれくらいですか？

オープンライセンスのアニメ映画3本に対し、画面の内容を説明した30件で試したところ、29件で正解の場面が上位3件に入りました。ただし小さなテストです。実写映像や画面録画は測っておらず、抽象的な説明や細かすぎる説明は、見えるものをそのまま書いた説明より成績が落ちます。

## Related tools

- [Video Trimmer](https://bytescope.dev/ja/video-trim.md) — 場面が見つかったら、その部分を再エンコードなしで切り出せます。
- [Screen Recorder](https://bytescope.dev/ja/screen-recorder.md) — 画面を録画して、その録画からスライドや操作手順を探せます。
- [Video Info Inspector](https://bytescope.dev/ja/video-info.md) — 動画が開けないときに、コーデックとコンテナを確認できます。