現代のビデオ要約手法は、大量のアノテーションデータを必要とする深層ニューラルネットワークに基づいています。しかし、既存のビデオ要約用データセットは小規模であり、深層モデルが過学習しやすいという問題があります。大規模なデータセットのアノテーションが時間のかかる作業であることを考慮に入れ、私たちはビデオの意味論的表現を得るためのマルチモーダル自己監督学習フレームワークを提案します。このフレームワークは、ビデオとテキスト間の意味的一貫性を粗粒度および細粒度で探索し、またマスクされたフレームを復元することによって自己監督学習を行います。マルチモーダルフレームワークは、新たに収集したビデオ-テキストペアから構成されるデータセットで訓練されます。さらに、私たちは進行的なビデオ要約手法を導入しており、この手法ではビデオ内の重要なコンテンツを段階的に特定してより良い要約を作成します。広範な実験により、私たちの手法が順位相関係数とF値において有効性と優越性を示していることが証明されています。