기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # TwelveLabs Marengo Embed 2.7 TwelveLabs Marengo Embed 2.7 모델은 비디오, 텍스트, 오디오 또는 이미지 입력에서 임베딩을 생성합니다. 이러한 임베딩은 유사성 검색, 클러스터링 및 기타 기계 학습 태스크에 사용할 수 있습니다. + 공급자 - TwelveLabs + 모델 ID - twelvelabs.marengo-embed-2-7-v1:0 TwelveLabs Marengo Embed 2.7 모델은 다음 표에서 Amazon Bedrock 런타임 작업을 지원합니다. + 다양한 API 방법 사용 사례에 대한 자세한 내용은 [다양한 모델 추론 방법의 사용 사례에 대해 알아봅니다.다양한 추론 방법](inference-methods.md) 섹션을 참조하세요. + 사용자 정의 모델 유형에 대한 자세한 내용은 [Amazon Bedrock에서 추론이 작동하는 방식추론 작동 방식](inference-how.md) 섹션을 참조하세요. + 모델 IDs 목록과에서 TwelveLabs Marengo Embed 2.7 지원되는 모델 및 AWS리전을 보려면의 표에서 모델을 검색합니다[Amazon Bedrock에서 지원되는 파운데이션 모델](models-supported.md). + 추론 프로파일 ID의 전체 목록의 경우 [추론 프로파일에 지원되는 리전 및 모델](inference-profiles-support.md) 섹션을 참조하세요. 추론 프로필 ID는 AWS리전을 기반으로 합니다. **** | API 작업 | 지원되는 모델 유형 | 입력 양식 | 출력 양식 | | --- | --- | --- | --- | | InvokeModel | [추론 프로파일](inference-profiles-support.md) | 텍스트 이미지 | 임베딩 | | StartAsyncInvoke | [기본 모델](models-supported.md) | 비디오 오디오 이미지 텍스트 | 임베딩 | **참고** `InvokeModel`을 사용하여 검색 쿼리에 대한 임베딩을 생성합니다. `StartAsyncInvoke`를 사용하여 자산에 대한 임베딩을 대규모로 생성합니다. 입력에는 다음과 같은 할당량이 적용됩니다. **** | 입력 양식 | 최대 | | --- | --- | | 텍스트 | 토큰 77개 | | 이미지 | 5MB | | 비디오(S3) | 2GB | | 오디오(S3) | 2GB | **참고** base64 인코딩을 사용하여 오디오 또는 비디오를 인라인으로 정의하는 경우 요청 본문 페이로드가 Amazon Bedrock 25MB 모델 간접 호출 할당량을 초과하지 않는지 확인합니다. **Topics** + [TwelveLabs Marengo Embed 2.7 요청 파라미터](#model-parameters-marengo-async-request) + [TwelveLabs Marengo Embed 2.7 응답](#model-parameters-marengo-response) + [TwelveLabs Marengo Embed 2.7 코드 예제](#model-parameters-marengo-examples) ## TwelveLabs Marengo Embed 2.7 요청 파라미터 요청을 할 때 모델별 입력이 지정된 필드는 API 작업에 따라 달라집니다. + [InvokeModel](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_InvokeModel.html) – `body` 요청입니다. + [StartAsyncInvoke](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_StartAsyncInvoke.html) - 요청 본문의 `modelInput` 필드에 있습니다. 모델 입력 형식은 입력 형식에 따라 다릅니다. ------ #### [ Text ] ``` { "inputType": "text", "inputText": "string", "textTruncate": "string } ``` ------ #### [ Inline image ] ``` { "inputType": "image", "mediaSource": { "base64String": "base64-encoded string" } } ``` ------ #### [ S3 image ] ``` { "inputType": "image", "mediaSource": { "s3Location": { "uri": "string", "bucketOwner": "string" } } } ``` ------ #### [ Inline video ] ``` { "inputType": "video", "mediaSource": { "s3Location": { "base64String": "base64-encoded string" } }, "startSec": double, "lengthSec": double, "useFixedLengthSec": double, "embeddingOption": "visual-text" | "visual-image" | "audio" } ``` ------ #### [ S3 video ] ``` { "inputType": "image", "mediaSource": { "s3Location": { "uri": "string", "bucketOwner": "string" } }, "startSec": double, "lengthSec": double, "useFixedLengthSec": double, "minClipSec": int, "embeddingOption": ["string"] } ``` ------ #### [ Inline audio ] ``` { "inputType": "audio", "mediaSource": { "base64String": "base64-encoded string" }, "startSec": double, "lengthSec": double, "useFixedLengthSec": double } ``` ------ #### [ S3 audio ] ``` { "inputType": "audio", "mediaSource": { "s3Location": { "uri": "string", "bucketOwner": "string" } }, "startSec": double, "lengthSec": double, "useFixedLengthSec": double } ``` ------ 입력 파라미터에 대한 자세한 내용은 다음 섹션을 확장하세요. ### inputType 임베딩 방식입니다. + **유형**: 문자열 + **필수 항목 여부:** 예 + **유효한 값**: `video` \$1 `text` \$1 `audio` \$1 `image` ### inputText 임베딩할 텍스트입니다. + **유형**: 문자열 + **필수:** 예(호환되는 입력 유형의 경우) + **호환되는 입력 유형:** 텍스트 ### textTruncate 플랫폼이 텍스트를 잘라내는 방법을 지정합니다. + **유형**: 문자열 + **필수 항목 여부**: 아니요 + **유효한 값:** + `end` - 텍스트의 끝을 자릅니다. + `none` - 텍스트가 제한을 초과하는 경우 오류를 반환합니다. + **기본값:** end + **호환되는 입력 유형:** 텍스트 ### mediaSource 미디어 소스에 대한 정보를 포함합니다. + **유형:** 객체 + **필수:** 예(호환되는 유형인 경우) + **호환되는 입력 유형:** 이미지, 비디오, 오디오 요청 본문의 `mediaSource` 객체 형식은 미디어가 Base64 인코딩 문자열 또는 S3 위치로 정의되는지 여부에 따라 달라집니다. + **Base64-encoded 문자열** ``` { "mediaSource": { "base64String": "base64-encoded string" } } ``` + `base64String` - 미디어용 Base64 인코딩 문자열입니다. + **S3 위치** - S3 URI와 버킷 소유자를 지정합니다. ``` { "s3Location": { "uri": "string", "bucketOwner": "string" } } ``` + `uri` - 미디어가 포함된 S3 URI입니다. + `bucketOwner` - S3 버킷 소유자의 AWS계정 ID입니다. ### embeddingOption 검색할 임베딩 유형을 지정합니다. + **유형**: 목록 + **필수 항목 여부**: 아니요 + **목록 멤버에 유효한 값:** + `visual-text` - 텍스트 검색에 최적화된 시각적 임베딩입니다. + `visual-image` - 이미지 검색에 최적화된 시각적 임베딩입니다. + `audio` - 비디오에 오디오를 임베딩합니다. + **기본값:** ["visual-text", "visual-image", "audio"] + **호환되는 입력 유형:** 비디오, 오디오 ### startSec 처리가 시작되어야 하는 클립의 초 단위 시점입니다. + **유형**: Double + **필수 항목 여부**: 아니요 + **최솟값:** 0 + **기본값:** 0 + **호환되는 입력 유형:** 비디오, 오디오 ### lengthSec 처리가 중지되어야 하는 `startSec` 시점부터 계산되는 초 단위 시간입니다. + **유형**: Double + **필수 항목 여부**: 아니요 + **유효한 값:** 0 - 미디어 기간 + **기본값:** 미디어 기간 + **호환되는 입력 유형:** 비디오, 오디오 예제: + startSec: 5 + lengthSec: 20 + 결과: 클립은 0:05에서 0:25(5초 \$1 20초)까지 처리됩니다. ### useFixedLengthSec 모델이 임베딩을 생성해야 하는 각 클립의 기간입니다. + **유형**: Double + **필수 항목 여부**: 아니요 + **값 파라미터:** 2\$110. `minClipSec`보다 크거나 같아야 합니다. + **기본값:** 미디어 유형에 따라 다름: + **비디오:** 샷 경계 감지로 동적으로 나뉩니다. + **오디오:** 가능한 한 10초에 가까운 세그먼트로 균등하게 분할됩니다. 예시: + 50초 클립은 5개의 10초 세그먼트로 나뉩니다. + 16초 클립은 8초 세그먼트 2개로 나뉩니다. + **호환되는 입력 유형:** - 비디오, 오디오 + **참고:** `minClipSec`보다 크거나 같아야 합니다. ### minClipSec 각 클립의 최솟값을 초 단위로 설정합니다. + **유형:** int + **필수 항목 여부**: 아니요 + **값 파라미터:** 범위: 1\$15 + **기본값:** 4 + **호환되는 입력 유형:** 비디오 + **참고:** `useFixedLengthSec`보다 작거나 같아야 합니다. ## TwelveLabs Marengo Embed 2.7 응답 출력 임베딩 및 관련 메타데이터의 위치는 간접 호출 방법에 따라 달라집니다. + [InvokeModel](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_InvokeModel.html) - 응답 본문에 있습니다. + [StartAsyncInvoke](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_StartAsyncInvoke.html) - `s3OutputDataConfig`에 정의된 S3 버킷에서 비동기식 간접 호출 작업이 완료된 후입니다. 임베딩 벡터가 여러 개 있는 경우 출력은 각각 벡터와 관련 메타데이터를 포함하는 객체 목록입니다. 출력 임베딩 벡터의 형식은 다음과 같습니다. ``` { "embedding": ["string"], "embeddingOption": "visual-text" | "visual-image" | "audio", "startSec": double, "endsec": double } ``` 응답 파라미터에 대한 자세한 내용은 다음 섹션을 확장하세요. ### 임베딩 입력의 벡터 표현을 임베딩합니다. + **유형:** Double 목록 ### embeddingOption 임베딩의 유형입니다. + **유형**: 문자열 + **가능한 값:** + `visual-text` - 텍스트 검색에 최적화된 시각적 임베딩입니다. + `visual-image` - 이미지 검색에 최적화된 시각적 임베딩입니다. + `audio` - 비디오에 오디오를 임베딩합니다. + **호환되는 입력 유형:** 비디오 ### startSec 클립의 시작 오프셋입니다. + **유형**: Double + **호환되는 입력 유형:** 비디오, 오디오 ### endSec 클립의 끝 오프셋으로, 초 단위입니다. + **유형**: Double + **호환되는 입력 유형:** 비디오, 오디오 ## TwelveLabs Marengo Embed 2.7 코드 예제 이 섹션에서는 Python을 사용하여 다양한 입력 유형으로 TwelveLabs Marengo Embed 2.7 모델을 사용하는 방법을 보여줍니다. 이 예제에서는 모델별 입력을 정의하고 모델 호출을 실행하는 방법을 보여줍니다. **참고** InvokeModel은 텍스트 및 이미지 입력만 지원합니다. 비디오 및 오디오 입력의 경우 StartAsyncInvoke를 사용합니다. 다음 단계에 따라 코드를 통합합니다. **1. 모델별 입력 정의** 입력 유형에 따라 모델별 입력을 정의합니다. ------ #### [ Text ] ``` # Create the model-specific input model_id = "twelvelabs.marengo-embed-2-7-v1:0" # Replace the us prefix depending on your region inference_profile_id = "us.twelvelabs.marengo-embed-2-7-v1:0" model_input = { "inputType": "text", "inputText": "man walking a dog" } ``` ------ #### [ Inline image ] ``` # Create the model-specific input model_id = "twelvelabs.marengo-embed-2-7-v1:0" # Replace the us prefix depending on your region inference_profile_id = "us.twelvelabs.marengo-embed-2-7-v1:0" model_input = { "inputType": "image", "mediaSource": { "base64String": "example-base64-image" } } ``` ------ #### [ S3 image ] ``` # Create the model-specific input model_id = "twelvelabs.marengo-embed-2-7-v1:0" # Replace the us prefix depending on your region inference_profile_id = "us.twelvelabs.marengo-embed-2-7-v1:0" model_input = { "inputType": "image", "mediaSource": { "s3Location": { "uri": "s3://amzn-s3-demo-bucket/my_image.png", "bucketOwner": "123456789012" } } } ``` ------ #### [ Inline video ] ``` # Create the model-specific input model_id = "twelvelabs.marengo-embed-2-7-v1:0" # Replace the us prefix depending on your region inference_profile_id = "us.twelvelabs.marengo-embed-2-7-v1:0" model_input = { "inputType": "video", "mediaSource": { "base64String": "base_64_encoded_string_of_video" }, "startSec": 0, "lengthSec": 13, "useFixedLengthSec": 5, "embeddingOption": [ "visual-text", "audio" ] } ``` ------ #### [ S3 video ] ``` # Create the model-specific input model_id = "twelvelabs.marengo-embed-2-7-v1:0" # Replace the us prefix depending on your region inference_profile_id = "us.twelvelabs.marengo-embed-2-7-v1:0" model_input = { "inputType": "video", "mediaSource": { "s3Location": { "uri": "amzn-s3-demo-bucket/my-video.mp4", "bucketOwner": "123456789012" } }, "startSec": 0, "lengthSec": 13, "useFixedLengthSec": 5, "embeddingOption": [ "visual-text", "audio" ] } ``` ------ #### [ Inline audio ] ``` # Create the model-specific input model_id = "twelvelabs.marengo-embed-2-7-v1:0" # Replace the us prefix depending on your region inference_profile_id = "us.twelvelabs.marengo-embed-2-7-v1:0" model_input = { "inputType": "audio", "mediaSource": { "base64String": "base_64_encoded_string_of_audio" }, "startSec": 0, "lengthSec": 13, "useFixedLengthSec": 10 } ``` ------ #### [ S3 audio ] ``` # Create the model-specific input model_id = "twelvelabs.marengo-embed-2-7-v1:0" # Replace the us prefix depending on your region inference_profile_id = "us.twelvelabs.marengo-embed-2-7-v1:0" model_input = { "inputType": "audio", "mediaSource": { "s3Location": { "uri": "s3://amzn-s3-demo-bucket/my-audio.wav", "bucketOwner": "123456789012" } }, "startSec": 0, "lengthSec": 13, "useFixedLengthSec": 10 } ``` ------ **2. 모델 입력을 사용하여 모델 간접 호출 실행** 그런 다음 선택한 모델 간접 호출 방법에 해당하는 코드 조각을 추가합니다. ------ #### [ InvokeModel ] ``` # Run model invocation with InvokeModel import boto3 import json # Initialize the Bedrock Runtime client client = boto3.client('bedrock-runtime') # Make the request response = client.invoke_model( modelId=inference_profile_id, body=json.dumps(model_input) ) # Print the response body response_body = json.loads(response['body'].read().decode('utf-8')) print(response_body) ``` ------ #### [ StartAsyncInvoke ] ``` # Run model invocation asynchronously import boto3 import json # Initalize the Bedrock Runtime client. client = boto3.client("bedrock-runtime") try: # Start the asynchronous job invocation = client.start_async_invoke( modelId=model_id, modelInput=model_input, outputDataConfig={ "s3OutputDataConfig": { "s3Uri": "s3://&example-s3-destination-bucket;" } } ) # Print the response JSON print("Response:") print(json.dumps(invocation, indent=2, default=str)) except Exception as e: # Implement error handling here. message = e.response["Error"]["Message"] print(f"Error: {message}") ``` ------