現代の動画像検索システムは、主に非常に短い動画像（例えば、長さ5-15秒）を対象として設計されており、数分から数時間にも及ぶ複雑な人間の動作を示す動画セグメントの検索ができない。そこで、本研究では、音声と映像を組み合わせ、長時間のオーディオビジュアルに特化した効率的なtext-to-video検索システムを提案する。