Multimodale Suche in Bild-, Video- und Audioarchiven

Archive mit Fotos, Filmmaterial und Aufnahmen sind meist nur über von Hand eingegebene Titel, Schlagwörter und Ordnernamen durchsuchbar, sodass der größte Teil der Inhalte praktisch unsichtbar bleibt. Multimodale Embeddings, Spracherkennung und Vision-Language-Modelle indexieren den Inhalt selbst: Ein Nutzer tippt „Geschäftsführer schüttelt auf der Messe die Hand, 2019" oder lädt ein Referenzbild hoch und erhält die passenden Bilder, Videomomente und gesprochenen Passagen mit Timecodes. Typischer Nutzen: deutlich weniger Zeit für die Suche nach Material und Wiederverwendung von Material, das sonst neu gedreht oder neu gekauft würde.

Problem & Nutzen

• Heute: Medienhäuser, Marketingabteilungen, Museen, Rundfunkanstalten, Kommunen, Hochschulen und Hersteller halten Terabytes an Bildern, Filmmaterial und Aufnahmen in DAM-/MAM-Systemen oder auf Dateiablagen. Die Auffindbarkeit hängt von manueller Katalogisierung ab (uneinheitlich, teuer, lückenhaft) und davon, dass Menschen wissen, wo etwas liegt. Audio ist ohne Transkripte praktisch nicht durchsuchbar.
• KI-Nutzen: Inhaltsbasierte Suche ersetzt die manuelle Verschlagwortung als primären Zugangsweg: Text-zu-Bild, Text-zu-Videomoment, Bild-zu-Bild, Audio-/Sprachsuche und kombinierte Filter. Das Ergebnis ist ein Moment (Datei + Timecode), nicht nur eine Datei.
• Evidenz: Hersteller berichten Verbesserungen bei der Suche auf ihren eigenen Daten, z. B. nennt der Launch-Beitrag von Google zu Gemini Embedding 2 für einen Partner ein Text-zu-Video-Recall@1 von 85,3 % — eine vom Partner berichtete Zahl auf dessen Daten, kein unabhängiger Benchmark [1]. Messen Sie immer auf Ihrem Archiv mit einem annotierten Anfragensatz (siehe Erste Schritte).

Varianten

• Medien & Rundfunk / Agenturen: Suche nach rechtlich freigegebenem Filmmaterial und Fotos, B-Roll finden, Nachrichten- archiv, Highlights; Sprache + Bild + eingeblendeter Text kombiniert.
• Unternehmensmarketing & DAM: Markenbildbibliotheken, Produktfotos, Eventfotos, Messevideos.
• Öffentlicher Sektor & Kulturerbe: kommunale Fotoarchive, Parlamentsaufzeichnungen, Oral-History- Audio; Überschneidung mit KNOW-019 (Bestandserschließung, Metadatenstandards).
• Bildung & Forschung: Suche in Vorlesungsvideos, Interviewarchive (qualitative Forschung).
• Industrie: Inspektionsaufnahmen, Schulungsvideos, Wartungsclips („zeige den Filterwechsel am Modell X"); verwandt sind VIS-025/VIS-031 für Analysen und Kamera-Feeds.
• Private Nutzung: Suche in der persönlichen Fotobibliothek („Hund am Strand") — z. B. Immich, Google/Apple Fotos.
• Hier nicht im Umfang: Analysen von Überwachungskameras (VIS-031/VIS-010), gesichtsbasierte Identifizierung von Personen (VIS-016, siehe Risiken), forensische Sichtung beschlagnahmter Medien (VIS-050), Moderation (VIS-027).

So funktioniert es

1. Einlesen (Dateien, DAM/MAM, Objektspeicher)
2. Vorverarbeitung (Shot-/Szenenerkennung, Frame-Sampling, Audioextraktion, Deduplizierung)
3. Indexierung je Modalität: Bilder/Frames
4. multimodales Embedding (CLIP/SigLIP-Klasse) + VLM-Bildunterschrift + OCR von eingeblendetem Text Audio/Sprache
5. ASR mit Wortzeitstempeln (+ Diarisierung)
6. Text-Embedding + BM25 Video
7. Embedding auf Clip-Ebene und/oder Frame-Embeddings + Transkript + Bildunterschriften
8. Speicherung (Vektor-DB + Schlagwortindex + Metadaten/Rechte im relationalen Speicher)
9. Anfrage (Text | Beispielbild/-clip | Filter)
10. hybride Suche (dicht + dünnbesetzt)
11. Reranking
12. Oberfläche mit Vorschaubildern/Timecodes (optional: VLM/LLM-Antwort mit zitierten Stellen)

• Gemeinsamer Einbettungsraum: Bild-Text-Modelle wie SigLIP 2 (Apache-2.0) bilden Bilder und Text in einem Vektorraum ab, für Zero-Shot-Suche [3]. Neuere nativ multimodale Embedder (Gemini Embedding 2: Text, Bild, Videoclips bis 120 s, Audio ohne Transkription, PDFs) legen mehrere Modalitäten in einen Raum [1]; videonative Modelle wie Twelve Labs Marengo indexieren visuelle, Audio- und Textsignale eines Videos [5][6].
• Sprachschicht: Whisper (MIT) und seine optimierten Ableger liefern Transkripte; WhisperX ergänzt Ausrichtung auf Wortebene und Sprecherzuordnung [2][8][9]. Die Transkriptsuche ist weiterhin der präziseste Weg, gesprochene Inhalte zu finden, daher kombinieren Produktivsysteme sie mit Embeddings (hybrid).
• Dokumentähnliche Visuals (Folien, gescannte Seiten, Diagramme im Video): Late-Interaction-Modelle wie ColPali/ColQwen betten Seitenbilder direkt ein, ohne OCR [4].
• Mensch-in-der-Schleife (Human-in-the-Loop): Redakteure bestätigen Ergebnisse vor der Veröffentlichung; Rechte-/Einwilligungs-Metadaten sind ein harter Filter, keine KI-Vermutung; automatische Schlagwörter mit geringer Konfidenz werden als Vorschläge angezeigt.

Datenaufbereitung

Archive liegen auf NAS und Dateiablagen, in einem DAM oder Medienserver, auf externen Laufwerken, im Cloud-Speicher sowie als Bänder oder Papierabzüge. Typische Lücken sind uneinheitliche Dateinamen, fehlende oder falsche Metadaten (Datum, Ort, Rechteinhaber), Duplikate und verschiedene Versionen desselben Assets, analoges Material, gemischte Formate und Codecs sowie unklare Nutzungsrechte und Einwilligungen der abgebildeten Personen.

Aufbereitungsschritte: (1) das Archiv inventarisieren und festlegen, welcher Teil zuerst durchsuchbar sein soll (PREP-001); (2) analoge Filme, Bänder und Abzüge digitalisieren (PREP-006); (3) alte Formate in Standard-Codecs und Proxys transkodieren (PREP-007); (4) Duplikate entfernen und eine Ordner- und Namenskonvention vereinbaren (PREP-009); (5) Audio und Sprache mit Whisper transkribieren (DATA-008); (6) wesentliche Metadaten - Rechte, Quelle, Datum - und ein Schlagwortschema ergänzen (PREP-010, PREP-019); (7) mit den Redakteuren einen Testsatz typischer Suchanfragen erstellen (PREP-018); (8) Assets mit personenbezogenen Daten oder eingeschränkten Rechten kennzeichnen (PREP-024).

Werkzeuge: ffmpeg, Whisper, Immich oder ein DAM zur Indexierung, ExifTool für Metadaten. Aufwandsanteil: mittel, etwa 30-40 Prozent, überwiegend Digitalisierung und Rechtebereinigung statt der KI-Suche selbst.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A - Digital-Asset-Management-Produkte mit KI-Suche sind ausgereift und für kleine Teams bepreist, und der Archivprozess ist Standard.
• Großunternehmen: Weg B - große Archive brauchen die Integration in vorhandene Asset- und Rechtesysteme sowie Kostenkontrolle über Cloud-APIs und eigene Indexierung.
• Entwickler: Weg C - offene Modelle (CLIP-artige Embeddings, Whisper) und Vektordatenbanken sind gut dokumentiert und laufen auf einer einzelnen GPU.
• Öffentlicher Sektor: Weg C - Archive mit Personenbildern und Akten verlangen Selbstbetrieb oder eine souveräne EU-Cloud.
• Privat: Weg C - lokale Apps wie Immich behalten Familienfotos und Aufnahmen auf dem eigenen Gerät.

Weg A — Kaufen (für die meisten KMU und Medienteams empfohlen)

• DAM/MAM mit eingebauter KI-Suche: z. B. Adobe Experience Manager Assets, Bynder, Canto, Brandfolder, Cloudinary, Frame.io; Media-Asset-Systeme wie Dalet, EVS, Avid; Fototools wie Google Fotos und Apple Fotos (privat). EU-/deutsche Optionen: Picturepark (CH), Celum (AT), Censhare (DE), Pimcore DAM (AT/DE), Sedna/ Dalet (FR). Prüfen Sie, welche KI-Funktionen in der EU-Region laufen.
• Spezialisierte Videosuch-Plattformen: Twelve Labs (API und Modelle auf Amazon Bedrock) [5][6], Google Vertex AI Search / Video Intelligence, Microsoft Azure AI Video Indexer, Veritone, Moments Lab (FR), Valossa (FI).
• Wählen Sie A, wenn: < ~1 Million Assets, bereits ein DAM vorhanden ist und es keine besonderen Anforderungen an den Datenstandort gibt. Testen Sie mit Ihren eigenen schwierigen Anfragen und prüfen Sie Hosting-Region, Aufbewahrung und Bedingungen zum Training mit Kundendaten.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Embeddings: Gemini Embedding 2 (öffentliche Vorschau zum Start im März 2026 über Gemini API und Vertex AI; prüfen Sie den aktuellen GA-/EU-Regionen-Status) [1]; Twelve Labs Marengo; Text-Embeddings von EU-Anbietern (Mistral, Angebote der Aleph-Alpha-Klasse) für Transkripte.
• Bildbeschreibung / Fragebeantwortung: führende VLMs (Claude, Gemini, GPT, Mistral) über abgetastete Frames mit strukturierter Ausgabe; Gemini akzeptiert zusätzlich Video nativ.
• ASR: verwaltete Sprach-APIs in EU-Regionen (Azure, Google, AWS Transcribe in Frankfurt, Speechmatics, Mistral Voxtral) oder Whisper bei einem EU-Anbieter gehostet.
• Index & Orchestrierung: Qdrant, Weaviate, pgvector, OpenSearch/Elasticsearch für Hybridsuche [10]; n8n oder ein eigener Dienst für die Datenaufnahme. Kostentreiber ist die einmalige Indexierung des Archivs, danach sind Anfragen günstig.
• Wählen Sie B, wenn: eine eigene Oberfläche oder tiefe Integration nötig ist, das Archiv groß ist und die Verarbeitung in der Cloud rechtlich vertretbar ist (siehe DSGVO unten).

Weg C — Selbst betreiben (Open Source)

• Modelle: SigLIP 2 / CLIP-Klasse (Apache-2.0) [3], offene multimodale Embedder (z. B. aktuelle Omni-Modal-Embedding-Modelle auf Basis von Qwen3-VL oder Nemotron — prüfen Sie die Lizenz auf der jeweiligen Model Card), ColPali/ColQwen für seitenartige Visuals (Hinweis: ColPali-Gewichte unterliegen der Gemma-Lizenz, ColQwen-Varianten Apache-2.0) [4], Whisper / faster-whisper (MIT) und WhisperX (BSD-2) für Sprache [2][8][9], offene VLMs (Qwen-VL-Familie) für Bildbeschreibungen, vLLM für den Betrieb.
• Stack: Qdrant (dicht, spärlich, Multi-Vektor, hybrid) [10] oder OpenSearch + pgvector, ffmpeg + PySceneDetect für Einstellungen, MinIO/S3 als Speicher. Immich (AGPL-3.0) ist eine ausgereifte Komplettlösung für Foto-/Videobibliotheken mit CLIP-Suche [7]; prüfen Sie die AGPL-Folgen bei kommerzieller Einbettung.
• Hardware: HW2 (eine GPU mit 24–32 GB) genügt, um Hunderttausende Bilder und Tausende Stunden Audio über Tage bis Wochen zu indexieren und interaktive Anfragen zu bedienen; faster-whisper nennt etwa die vierfache Geschwindigkeit gegenüber dem Referenz-Whisper [8], WhisperX bis zu 70-fache Echtzeit mit gebatchtem large-v2 [9] (Herstellerangaben, hardwareabhängig). Nutzen Sie HW3 für VLM-Bildbeschreibungen ganzer Videokorpora oder größere Omni-Modelle. Die Indexierung ist eine Batch-Last: nachts einplanen, GPU-Zeit an die Archivgröße anpassen.
• Wählen Sie C, wenn: das Material vertraulich ist (unveröffentlichtes Material, Ermittlungen, Patienten- oder personenbezogene Aufnahmen), On-Premises erforderlich ist oder das Archiv so groß ist, dass die Kosten der API-Indexierung dominieren.

Weg D — Eigenes Training

Zunächst selten nötig. Lohnt sich für domänenspezifisches Vokabular (z. B. Feintuning eines CLIP-/SigLIP-Encoders auf Produkt- oder Teilebilder oder eines Domänen-ASR auf Dialekt/Fachsprache), für betriebseigene annotierte Konzepte (eigene Logos, Produkte, Orte) oder um aus einem VLM einen günstigen Tagger zu destillieren. Benötigt einige tausend Paare aus Anfrage und Ergebnis oder annotierte Bilder; Klickprotokolle und Korrekturen der Redakteure aus Weg A–C sind die natürlichen Trainingsdaten.

Stand der Technik (2026)

• Nativ multimodale Embeddings sind da: Gemini Embedding 2 (März 2026) bettet Text, Bilder, kurze Videos, Audio und PDFs in einen Raum ein, mit Matryoshka-Dimensionen (Standard 3072) [1]. Open-Weight- Omni-Modal-Embedder folgten; prüfen Sie Reife und Lizenzen, bevor Sie sich festlegen.
• Videonative Retrieval-Modelle (Twelve Labs Marengo/Pegasus, auch auf Amazon Bedrock) bieten „Moment per Beschreibung suchen" und Video-Q&A als Dienst [5][6].
• Late-Interaction-Retrieval (Multi-Vektor) für visuell reichhaltige Dokumente: Modelle der ColPali-Familie erreichen auf dem ViDoRe-Leaderboard etwa 89–91 (wie im Repository aufgeführt) und werden von Vektordatenbanken mit Multivektor-Speicherung unterstützt [4][10].
• Hybrid gewinnt: Dichte multimodale Suche allein verfehlt exakte Namen, Zahlen und seltene Begriffe; Transkripte + OCR + BM25 + Reranker bleiben das robuste Rezept.
• Grenzen und Fehlerbilder: Video-Embeddings verarbeiten kurze Clips (Gemini: 120 s pro Anfrage), daher muss langes Material segmentiert werden; feingranulare Anfragen (Zählen, links/rechts, kleiner Text, „wer hat was gesagt" ohne Sprechererkennung) scheitern oft; CLIP-Modelle sind bei nicht-englischen Anfragen schwach, sofern keine mehrsprachigen Varianten genutzt werden; ASR leidet unter Dialekt, überlappenden Sprechern, Musik und Rauschen; VLM-Bildbeschreibungen können Details halluzinieren; Retrieval-Modelle tragen demografische und kulturelle Verzerrungen; Benchmarks auf öffentlichen Daten überschätzen die Leistung bei Nischenarchiven. Berichtete Partnerzahlen sind nicht unabhängig [1].

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine: vlm + Embeddings + vector-db + asr teilt sich dieser Anwendungsfall mit VIS-022 (visuelle Suche), VIS-025 (Video-Tagging/Highlights), VIS-031 (Video-Agenten über Kamera-Feeds), SPEECH-001/SPEECH-002 (Transkriptions-Pipelines — derselbe Whisper/WhisperX-Server), DOC-014 (Dokumenten-Parsing für RAG, ColPali für gescannte Seiten) und KNOW-001/KNOW-002 (Hybridsuche, Reranker, ACL-bewusste Indexierung).
• Naheliegende Kombinationen: KNOW-019 (Kulturerbe-Metadaten und Katalogstandards auf dem Index), VIS-030 (Gesichter/Kennzeichen vor Veröffentlichung oder Weitergabe anonymisieren), VIS-027 (vor der Freigabe moderieren), SPEECH-010 (Sprecheridentifikation — beachten Sie das Biometrie-Recht), LANG-018 (Medienbeobachtung).
• Hardware: ein HW2/HW3-GPU-Server mit vLLM (VLM-Bildbeschreibungen), einem Embedding-Dienst und faster-whisper kann alles Genannte bedienen; Vektordatenbank und Objektspeicher sind gemeinsame Infrastruktur.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Lizenz pro Nutzer/Speicher, die KI-Suche ist oft eine kostenpflichtige Stufe.
• Weg B: 1–3 Monate bis zur Produktion inkl. Datenaufnahme, Oberfläche und Rechtefilter; Hauptkosten sind die einmalige Indexierung (pro Minute Video/Audio und pro Bild) plus Neuindexierung bei Wechsel des Embedding-Modells — planen Sie das ein, denn ein Wechsel des Embedding-Modells bedeutet, das Archiv neu einzubetten.
• Weg C: 2–4 Monate; GPU-Server, Speicher, Betrieb; Neuaufbau des Index bei Modell-Upgrades.
• Kennzahlen: Recall@k / MRR auf einem annotierten Anfragensatz realer Nutzersuchen; Zeit bis zum Finden eines Assets; Anteil der Suchen ohne Klick; Anteil wiederverwendeter Assets; Korrekturquote der Redakteure bei automatischen Schlagwörtern; Indexierungs- durchsatz (Medienstunden pro GPU-Stunde); Kosten pro indexierter Stunde.

Menschen & Veränderung

Binden Sie die Geschäftsführung für Umfang und Budget ein, die Abteilungsleitung (Redaktion, Marketing, Archiv) als Verantwortliche und die Archivare und Redakteure als Endnutzer, die festlegen, was ein guter Treffer ist. Die Datenverantwortlichen bestätigen, welche Bestände und Rechte indexiert werden dürfen; die IT kümmert sich um Speicher sowie GPU- oder Cloud-Kapazität; die oder der Datenschutzbeauftragte und Recht/Compliance klären Rechte, Einwilligungen abgebildeter Personen und biometrische Aspekte.

Betriebsrat: abhängig vom Einzelfall. Die Suche in einem Produkt- oder Medienarchiv überwacht für sich genommen keine Beschäftigten. Das ändert sich, wenn Beschäftigte oder Kunden im Material vorkommen (Videoüberwachung, Hallenvideos, Schulungsaufzeichnungen) und eine Gesichts- oder Stimmensuche sie identifizieren könnte oder wenn Suchprotokolle zeigen, wer wonach sucht: Dann gilt §87(1) Nr. 6 BetrVG, und §90(1) Nr. 3 verlangt frühzeitige Unterrichtung. Schließen Sie die personenidentifizierende Suche im Pilot aus; öffentliche Stellen beteiligen den Personalrat. DSGVO: Fotos und Stimmen sind personenbezogene Daten, die Gesichtserkennung berührt besondere Kategorien biometrischer Daten; ein AVV mit jedem Auftragsverarbeiter und eine DSFA für große Archive mit identifizierbaren Personen sind wahrscheinlich (GUIDE-005).

KI-Kompetenz: Unterstützen Sie das Team mit einer Schulung dazu, wie semantische Suche versagt (verpasste Treffer, falsche Bildbeschreibungen), und zu KI-generierten Schlagwörtern (GUIDE-006). Vermitteln Sie, dass die KI Treffer und Schlagwörter vorschlägt, Menschen aber über Veröffentlichung und Rechte entscheiden. Starten Sie einen Pilot mit einem Bestand und 3-5 Redakteuren, messen Sie die Zeit bis zum Finden eines Assets und sammeln Sie Korrekturen (GUIDE-009). Typische Sorge: Kontrollverlust bei den Rechten - begegnen Sie ihr mit berechtigungsbewusster Suche und protokolliertem Zugriff.

Risiken, Regulierung & Compliance

• KI-Verordnung (Verordnung (EU) 2024/1689): Die reine Suchfunktion ist minimales Risiko (die KI-Kompetenz nach Art. 4 gilt) [11]. Die Einstufung wird abhängig vom Einzelfall: Gesichtsbasierte Suche oder Identifizierung von Personen ist biometrische Identifizierung (Anhang III; biometrische Echtzeit-Fernidentifizierung in öffentlich zugänglichen Räumen für die Strafverfolgung ist nach Art. 5 beschränkt), und der Aufbau von Gesichtsdatenbanken durch ungezieltes Auslesen von Bildern aus dem Internet oder von Videoüberwachung ist verboten (Art. 5(1)(e)). Dieser Anwendungsfall dokumentiert daher Inhaltssuche ohne Identitätsabgleich; Personensuchen sollten geschlossene Listen mit Einwilligung nutzen und werden in VIS-016 behandelt. Werden Suchergebnisse oder automatische Bildbeschreibungen als KI-generierte Inhalte veröffentlicht, gilt die Transparenz nach Art. 50 für synthetische Medien, nicht für die Suche selbst.
• DSGVO: Bilder, Videos und Stimmen identifizierbarer Personen sind personenbezogene Daten (Stimme und Gesicht können bei Nutzung zur Identifizierung zu besonderen Datenkategorien werden). Erforderlich sind eine Rechtsgrundlage (berechtigtes Interesse mit Abwägung für die Archivnutzung; Einwilligung oder journalistische/Archivprivilegien, soweit anwendbar), eine Datenschutz-Folgenabschätzung für große personenzentrierte Archive, Auftragsverarbeitungsverträge und EU-Region/-Verarbeitung für Cloud-Wege, Aufbewahrungsregeln und eine Löschung, die auch Embeddings und Transkripte entfernt. Embeddings sind abgeleitete personenbezogene Daten.
• Urheberrecht & Rechte: Die Indexsuche gewährt keine Nutzungsrechte; halten Sie Lizenz-, Model-Release- und Ablauf-Metadaten als harte Filter vor. Prüfen Sie die Bedingungen zu Text und Data Mining, wenn Archive Material Dritter enthalten.
• Sicherheit: Setzen Sie Quell-ACLs zum Abfragezeitpunkt durch (wie bei KNOW-001); Transkripte geben sensible Sprachinhalte preis; Prompt Injection über eingeblendeten Text oder gesprochene Inhalte ist möglich, wenn ein VLM/LLM über die Ergebnisse antwortet.
• Gegenmaßnahmen: Hybridsuche mit Quellenangaben (Timecode), menschliche Prüfung vor der Veröffentlichung, Audit-Log, regionsgebundene Verarbeitung, Opt-out für sensible Bestände, Evaluation anhand eigener, verzerrungsrelevanter Anfragen.

Erste Schritte

1. Wählen Sie einen Archivausschnitt (z. B. 5.000 Bilder, 200 h Video/Audio) und sammeln Sie 50–100 reale Nutzeranfragen mit bekannten richtigen Ergebnissen als Goldsatz.
2. Schneller Benchmark: die KI-Suche Ihres DAM gegenüber einem Prototyp von Weg B (Frame-Embeddings + Whisper-Transkripte + Hybrid- Suche in Qdrant/pgvector); vergleichen Sie Recall@10 und Fehlerfälle.
3. Klären Sie die rechtliche Grundlage früh: sichtbare/hörbare Personen, Rechte-Metadaten, Hosting-Region, Bedarf an einer DSFA.
4. Entscheiden Sie über die Segmentierung (Einstellungen/Szenen, Clips von 10–60 s) und das Metadatenschema (Timecode, Sprecher, Rechte).
5. Rollen Sie mit einem Feedback-Knopf für Redakteure aus; protokollieren Sie Korrekturen und planen Sie eine Neuindexierung beim Modellwechsel.

Quellen

1. Google — Gemini Embedding 2: first natively multimodal embedding model (accessed 2026-10) — https://blog.google/innovation-and-ai/technology/developers-tools/gemini-embedding-2/
2. OpenAI — Whisper repository (models, MIT licence, turbo) — https://github.com/openai/whisper
3. Google — SigLIP 2 SO400M model card on Hugging Face (Apache-2.0) — https://huggingface.co/google/siglip2-so400m-patch14-384
4. ColPali / ColQwen engine and ViDoRe leaderboard table — https://github.com/illuin-tech/colpali
5. Twelve Labs documentation — Marengo and Pegasus, search/analysis/embeddings — https://docs.twelvelabs.io/docs/get-started/introduction
6. AWS — TwelveLabs models on Amazon Bedrock — https://aws.amazon.com/bedrock/twelvelabs/
7. Immich — self-hosted photo and video management with CLIP search (AGPL-3.0) — https://github.com/immich-app/immich
8. SYSTRAN — faster-whisper (benchmarks, MIT) — https://github.com/SYSTRAN/faster-whisper
9. WhisperX — word-level timestamps and diarization (BSD-2) — https://github.com/m-bain/whisperX
10. Qdrant documentation — multivector, hybrid search, self-hosting — https://qdrant.tech/documentation/
11. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj