Bark.comとAWSがスケーラブルな動画生成ソリューションを構築する方法

*この投稿は、Bark.com の Hammad Mian と Joonas Kukkonen と共著です。* 動画コンテンツの作成をスケールする際、多くの企業が品質を維持しながら制作時間を短縮するという課題に直面します。本稿では、[Bark.com](https://www.bark.com/) と AWS がこの問題如何解决に取り組んだ様子を紹介し、AI 駆動型コンテンツ生成のための再現可能なアプローチを示します。Bark.com は [Amazon SageMaker](https://aws.amazon.com/sagemaker/) および [Amazon Bedrock](https://aws.amazon.com/bedrock/) を活用して、マーケティングコンテンツのピップラインを数週間から数時間に短縮しました。 Bark は毎週、庭園管理から在宅介護まで、複数のカテゴリにわたって専門サービスを提供する人々を何千人もの人と結びつけています。Bark のマーケティングチームがミドルファネル（検討段階）のソーシャルメディア広告への展開機会を見出した際、スケールに関する課題に直面しました。効果的なソーシャルキャンペーンには迅速な A/B テストのために大量のパーソナライズされたクリエイティブコンテンツが必要ですが、手動での制作ワークフローではキャンペーンごとに数週間を要し、複数の顧客セグメント向けの変種に対応できませんでした。 同様のコンテンツスケールの課題にお困りの場合、このアーキテクチャパターンが有用な出発点となり得ます。AWS 生成 AI イノベーションセンターと連携して Bark が開発した AI 駆動型コンテンツ生成ソリューションは、実験的な試行において制作時間の大幅な短縮とコンテンツ品質スコアの向上を実証しました。この協力の目標は以下の 4 つでした： - 制作期間 – 数週間から数時間に短縮 - パーソナライゼーションの規模拡大 – キャンペーンごとに複数の顧客マイクロセグメントに対応可能 - ブランドの一貫性 – 生成されたコンテンツ全体で声質やビジュアルアイデンティティを維持 - 品質基準 – 専門的に制作された広告に匹敵する品質を実現 本記事では、私たちが構築した技術アーキテクチャ、成功に寄与した主要な設計判断、そして達成可能な測定結果について詳しく解説します。これにより、同様のソリューションを実装するための青写真を提供します。 ## ソリューション概要 Bark は AWS 生成 AI イノベーションセンターと協力し、これらのコンテンツスケーリング課題に対処できるソリューションを開発しました。チームは AWS サービスとカスタマイズされた AI モデルを活用したシステムを設計しました。以下の図にソリューションアーキテクチャを示します。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/03/iml-19799-image-1.png) 本ソリューションアーキテクチャは、以下の統合レイヤーで構成されています。 - データおよびストレージ層 – Amazon Simple Storage Service (Amazon S3) は、トレーニングデータ、生成されたビデオセグメント、参照画像、最終出力などのアセットを保存します。モデルアーティファクトとカスタム推論コンテナは、Amazon Elastic Container Registry (Amazon ECR) に保存されます。 - 処理層 – AWS Lambda が多段階パイプラインをオーケストレーションし、AWS Step Functions が7ステップの生成プロセス全体にわたってワークフロー状態を管理します。Anthropic の Claude Sonnet 3.7 を備えた Amazon Bedrock は、顧客セグメンテーション、ストーリー生成、品質評価を含むテキスト生成タスクを担当します。 - GPU コンピューティング層 – Wan 2.1 Text2Video-14B を確実に提供するために、単一の p4de.24xlarge SageMaker インスタンス上の8つの GPU にモデルをシャードするマルチ GPU 推論コンテナを実行しています。これはテンソル並列化 (tensor parallelism) を使用して実現されています。リクエスト処理には TorchServe がエンドポイントとして前面に配置され、torchrun は各 GPU ごとに1つのワーカープロセスを開始します。テキストエンコーダーと拡散トランスフォーマーには、Fully Sharded Data Parallel (FSDP) シャーディング—a technique for splitting the model components across GPUs—を採用しています。これはモデルコンポーネントを GPU に分割する技術であり、重みを CPU へオフロードすることなく GPU メモリ制限内に収めるために使用されます。ビデオ拡散は長時間実行されるため、エンドポイントはモデルの読み込み時間を許容し、 premature restarts (早期再起動) を防ぐために、拡張された推論タイムアウトとより長いコンテナ起動ヘルスチェックウィンドウでチューニングされています。Amazon Elastic Container Service (Amazon ECS) コンテナは、GPU 対応の g5.2xlarge インスタンス上でナレーター音声生成のための音声合成を処理し、アイドル期間中はゼロまでスケールダウンします。 - ユーザーインターフェース層 – Amazon Cognito 認証を備えた React フロントエンドにより、マーケティングチームが自然言語コマンドを通じて生成されたコンテンツのレビュー、編集、承認を行えるビデオスタジオインターフェースが提供されます。 ## クリエイティブ・アイデア生成パイプライン 全体のアーキテクチャについてご理解いただけたところで、ご自身の環境においてこのクリエイティブ・アイデア生成パイプラインを実装する方法を見ていきましょう。このパイプラインは、顧客のアンケートデータを基に、3 つの段階を経て制作可能なストーリーボードへと変換します。 ## 第 1 ステージ：顧客セグメントの生成 パイプラインは、Amazon Bedrock を用いて Anthropic の Claude Sonnet 3.7（大規模言語モデル）で Bark の顧客アンケートデータを分析することから始まります。この大規模言語モデル（LLM: Large Language Model）が調査回答を処理し、人口統計、動機、課題、意思決定の要因といった構造化された属性を持つ明確な顧客ペルソナを特定します。例えば、在宅介護カテゴリーでは、以下のようなセグメントが特定されました： - 圧倒される家族介護者 – 仕事と高齢の親の介護の両立に追われる 40～50 代の成人で、信頼性と安心感を最優先する - 自立志向の高齢者 – 自律性を維持したいと考えているが、時折の支援が必要であることを認識している高齢者 各セグメントのプロファイルは、人間が関与するプロセス（ヒューマン・イン・ザ・ループ）を通じて UI でレビューされ、特定された聴衆の特徴に共鳴する広告を作成するための、後のクリエイティブ・アイデア生成への入力として機能します。 ## ステージ 2：クリエイティブ・ブリーフの生成 ビジネスカテゴリとターゲットセグメントに基づき、システムは抽象度の異なる 4〜6 のクリエイティブコンセプトを生成します。これには、直訳的なアプローチと比喩的なアプローチの両方を促すことが含まれます。発散的思考を促進するため、モデルには高温サンプリング（0.8〜1）を設定しています。モデルは思考連鎖推論を採用し、ブリーフを生成する前に、コンセプトの関連性、エンゲージメントの可能性、そして娯楽価値を明示的に評価します。これにより、同じ商業的目標に対して多様な物語アプローチが生まれます。具体的には、ストレートな証言形式や、感情的に共鳴する比喩的なストーリーなどが挙げられます。 ## ステージ 3：ストーリーボードの洗練 最終段階では、汎用的なクリエイティブ・ブリーフをセグメント固有のストーリーボードへと変換します。どの属性を強調するかをランダムに決定する確率的特徴サンプリング機構が機能し、特定の動機や課題に対応しつつも多様性を維持しながら、どの顧客セグメントの属性を強調すべきかを特定します。システムは、最終的なストーリーボード（完全なオーディオビジュアル仕様を含む：シーン記述、カメラ指示、ナレーションテキスト、タイミング）を生成する前に、プロンプトによる推論を通じてブリーフとセグメントの明示的なマッチングを実行します。この段階での人間によるレビューにより、制作開始前のブランド適合性が確認されます。 ## シーン全体での視覚的一貫性の維持 30 秒の広告には通常 4〜6 の異なるシーンが含まれており、これらは個別に生成するのが最適です。注意深い調整を行わない場合、AI モデルは*意味的ドリフト*（semantic drift）を示し、キャラクターの外見が変化したり、背景が予期せず変わったり、ブランド要素が一貫性を失ったりします。私たちのソリューションでは、2 段階の一貫性フレームワークを実装しています。 ## 意味的一貫性の確保 クリエイティブブリーフを動画プロンプトに変換するには、3 つの工程を経るプロセスが必要です: - エレメント抽出 – LLM（大規模言語モデル）がストーリーボードを分析し、アクター、小道具、オブジェクト、場所といった原子レベルの装飾要素を特定し、シーン間で一貫性を保つ必要があるものをフラグ付けします。 - ブループリン生成 – 各繰り返し出現するエレメントについて、システムは詳細な仕様ブループリント（設計図）を生成し、標準的な視覚的表現を確立します。 - プロンプト変換 – 高レベルのシーン記述を、詳細な動画生成プロンプトに変換します。これには、物語への忠実性を保つための元のクリエイティブブリーフと、視覚的一貫性のための標準化された装飾仕様の両方が組み込まれます。 ## 視覚的一貫性の確保 詳細なプロンプトによる意味的一貫性はドリフトを大幅に削減しますが、動画生成モデルは同じプロンプト仕様であってもなお解釈の余地を示すことがあります。この制限に対処するため、以下の図に示すように、参照画像の抽出と伝播パイプラインを実装しています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/03/iml-19799-image-2.png) パイプラインは以下のステージで構成されています： - 最適フレームの特定 – Amazon Nova Premier が生成されたシーンを分析し、ターゲット要素が最も明確に現れるフレームを特定します。 - エレメントセグメンテーション – オープンソースの Segment Anything Model を Amazon ECS にデプロイして、背景からターゲット要素を分離します。 - リファレンス伝播 – 抽出されたリファレンス画像は、Wan 2.2 のリファレンス・トゥ・ビデオ機能を使用して、後続の動画生成呼び出しに供給されます。 この二重制約アプローチ——詳細なプロンプトによる意味指定とリファレンス画像による視覚的指定を組み合わせるもの——は、体系的なアブレーションスタディを通じて検証された堅牢な一貫性フレームワークを生み出します。 ## 動画生成パイプライン このパイプラインは、テキスト、画像、動画、音声、オーバーレイグラフィックスの 5 つのモダリティをオーケストレーションし、シーンの要件に基づいて戦略的にモデルを選択します： - リファレンス・トゥ・ビデオ合成 – 視覚的連続性が必要なシーンでは、抽出されたリファレンス画像と共に Wan 2.1 VACE-14B を使用します。 - テキスト・トゥ・ビデオ生成 – 新しい要素を導入するシーンでは、Wan 2.1 Text2Video-14B を使用します。 Step Functions ワークフローが生成シーケンスを制御し、依存するシーンの開始前にリファレンス画像が利用可能であることを確認します。 ## 音声合成とグラフィック 音声合成には、GPU対応のECSインスタンス（g5.2xlarge）上でSesame AI LabのConversational Speech Modelを使用しています。ボイスクローニングには、Barkのブランドナレーターによる10秒間のリファレンスサンプルが必要であり、このモデルは話者エンベッディングを抽出して、その後の生成プロセスを条件付けます。Amazon ECSはアイドル期間中はゼロまでスケールするため、アクティブな生成ウィンドウ以外のコストを抑制できます。さらに、テキストオーバーレイとアクション誘導グラフィックには、Barkのブランドガイドラインとのタイポグラフィ的一貫性をサポートするテンプレートシステムが使用されており、これらの要素は最終組み立て時に合成されます。 ## 品質評価ループ Lambda内のLLM-as-a-judge（LLMを審査員として用いた）評価ループでは、各シーンを以下の3つの次元で評価します： - ナラティブ準拠 – ストーリーボード記述への正確性 - ビジュアル品質 – アーティファクトや不整合の欠如 - ブランドコンプライアンス – ブランドガイドラインとの整合性 設定可能な品質閾値を下回るシーンは、ビジュアルリファレンス要素を保持したまま自動再生成がトリガーされます。この反復的な改良は、シーンが品質基準を満たすか、または人間のレビューが要求されるまで継続されます。 ## 一貫性のあるメッセージングランディングページ 生成された動画と顧客セグメントを基盤として、パーソナライズされたランディングページを生成するエージェントシステムを作成しました。Strandsエージェントを使用して、以下のアクションを実行します： - ページ用の TypeScript コードを生成する - ユーザーが視聴した動画広告と直接関連していることを理解してもらうために、動画から最適なスクリーンショットを取得してページに含める - 顧客セグメントに合わせて文言やデザインを修正する ## 結果 AI 生成コンテンツを Bark の既存キャンペーンライブラリと比較評価しました。以下の表にその結果をまとめます。 **評価項目** **AI 生成広告** **既存キャンペーンライブラリ** ストーリー構造の整合性 (Story Structure Coherence) 6.9 ± 0.49 6.4 ± 0.74 独自性とエンゲージメント (Originality Engagement) 6.5 ± 1.23 5.2 ± 1.22 視覚的・空間的一貫性 (Visual Spatial Consistency) 6.9 ± 0.74 6.6 ± 0.75 *スコアは 10 点満点で、95% 信頼区間を示す* これらの結果は、AI 生成コンテンツがより高い物語的整合性スコアを達成したことを示しており、階層的シーン計画アプローチの有効性が裏付けられました。独自性スコアの 25% の向上は、クリエイティブなアイデア創出パイプラインが新規性と商業的実現可能性のバランスに成功していることを示唆しています。参照画像伝播システムは、手動制作と比較して、キャラクターおよび環境の一貫性を測定可能なほど高いレベルで達成しました。 エンドツーエンドのこのパイプラインは、ml.p4d.24xlarge SageMaker インスタンス上で、15〜30 秒の広告を約 12〜15 分で生成します。これには、オーケストレーション（参照抽出/セグメンテーション）、自動品質チェック、再生成ループが含まれており、単なる単一のモデル呼び出しではありません。マルチ GPU シャーディング（8 ウェイトンネル並列）により、14B モデルを GPU メモリに完全に収めつつ、重いアテンション計算やデノイジング処理を加速することで、シーンごとの生成時間を数秒から数分の範囲に抑えています。SageMaker リアルタイムエンドポイントの背後で実行することで、リクエスト間のモデルウォームアップが保たれ、繰り返しモデルを読み込むことによるレイテンシを防ぎます。また、長時間の推論タイムアウトと起動時のヘルスチェックにより、長期実行型の拡散呼び出しにおける失敗や再試行を減らすことができます。 ## アブレーションスタディ 各アーキテクチャ上の決定を検証するため、体系的なアブレーションスタディ（比較実験）を実施しました。以下の表に結果をまとめます。 | **構成** | **ストーリーの整合性** | **エンゲージメント** | **視覚的一貫性** | | :--- | :---: | :---: | :---: | | 完全システム | 6.9 | 6.5 | 6.9 | | 参照画像伝播なし | 7.5 | 4.8 | 6.7 | | ナラティブ要素抽出なし | 7.6 | 4.5 | 6.4 | | 階層的シーンプランニングなし | 7.0 | 4.5 | 6.5 | 結果から、参照画像の伝播を除去するとエンゲージメントスコアに大きな影響（6.5 から 4.8）が生じることが明らかになり、一貫したキャラクター表現がより洗練された物語展開を支えていることが示唆されます。一方、物語要素の抽出機能を無効化すると最も深刻なエンゲージメントの低下を招きつつ、構造的スコアはわずかに向上しました。これは、構造化された物語分析が創造的なリスクテイクを可能にしつつも、一貫したストーリーラインを維持する上で支えとなっていることを示唆しています。 ## これが実装に与える意味 当社の経験に基づき、貴社の動画生成プロジェクトに向けた具体的なガイドラインを以下に示します： - ヒューマン・イン・ザ・ループ（人間を介在させるプロセス）は不可欠です – システムが生産時間の大部分を自動化する一方で、クリエイティブブリーフの承認と最終レビューにおける人間の介入がブランドとの整合性を確認します。 - 参照画像の質は量よりも重要です – 私たちの適応型参照抽出システムは、多角的な評価（視覚的な明瞭さ、照明条件、要素の目立ちやすさ）を通じて最適なフレームを動的に特定します。質の低い参照画像を使用すると、そのエラーがビデオシーケンス全体に波及してしまいます。 - LLM-as-a-judge（LLM を審査員として活用する手法）は迅速な反復を支援します – 従来のビデオ評価は高価で時間がかかります。Anthropic の Claude を用いて生成されたコンテンツを構造化された基準に対して評価させることで、異なる生成アプローチとの迅速な実験が可能になりました。 - 複合的な一貫性の課題に設計で対応してください – 単一のキャラクターの一貫性については深く研究されていますが、より困難な問題は、家具付きの部屋など複数の視覚的属性が共存しなければならない複合要素の一貫性を維持することです。これらの複雑なケースを中心にアーキテクチャを計画してください。 ## クリーンアップ ご自身の環境でこのソリューションを再現する場合は、実験終了時にリソースを削除して継続的なコストが発生しないように注意してください： - SageMaker エンドポイントを削除します。 - 生成されたアセットを含む S3 バケットを削除します。 - Amazon ECS サービスとタスク定義を終了します。 - Lambda 関数および Step Functions ステートマシンを削除します。 ## 結論 この協働により、AWS サービスを活用した AI 支援型クリエイティブ制作のための再現可能なパターンが確立されました。階層的なプロンプト計画による意味的一貫性と、参照画像の伝播による視覚的一貫性を組み合わせるという核心的なアーキテクチャ上の洞察は、広告に限定されない、一貫性のある拡張されたナラティブを必要とする多様な分野にも及ぶ、マルチシーン動画生成における根本的な課題に対処するものです。Bark にとって、このソリューションはビジネス評価において、パーソナライズされたソーシャルメディアキャンペーンの迅速な実験をサポートし、ミドルファネルマーケティングチャネルへの展開を支える可能性を秘めています。 同様のソリューション構築を開始するには、以下の次のステップを検討してください: - 生成 AI アプリケーションの構築には Amazon Bedrock を探索する - カスタムモデルのホスティングについては Amazon SageMaker AI について学ぶ AWS Gene へお問い合わせください

Bark.comとAWSがスケーラブルな動画生成ソリューションを構築する方法

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト