本稿では自己教師あり学習に基づく音響イベント検出 (SED) について述べる．混合音から音響イベントの種類と発生時刻を推定するSEDは，これまで膨大なアノテーションコストを要する課題があった．そこで本研究では，視聴覚情報を用いた自己教師あり学習（AV-SSL）に基づくSEDの構築法を提案する．音響信号と動画の共起関係を学習するAV-SSLは，音響イベントの識別に有効であることが知られている．SEDの弱教師あり学習における知見を活用し，AV-SSLの学習済みモデルから音響イベントの発生時刻を推定する．動画配信サービスから収集した映像データセットを用いて提案手法の有効性を確認した．