論文の概要: PresentAgent-2: Towards Generalist Multimodal Presentation Agents

• arxiv url: http://arxiv.org/abs/2605.11363v1
• Date: Tue, 12 May 2026 00:32:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.494899
• Title: PresentAgent-2: Towards Generalist Multimodal Presentation Agents
• Title（参考訳）: PresentAgent-2:Generalist Multimodal Presentation Agentsに向けて
• Authors: Wei Wu, Ziyang Xu, Zeyu Zhang, Yang Zhao, Hao Tang,
• Abstract要約: PresentAgent-2は、ユーザクエリからプレゼンテーションビデオを生成するエージェントフレームワークである。 オープンなユーザクエリと選択されたプレゼンテーションモードが与えられた後、PresentAgent-2はまずクエリを集中したトピックにまとめる。 その後、プレゼンテーションスライドを構築し、モード固有のスクリプトを生成し、スライド、オーディオ、ダイナミックメディアを完全なプレゼンテーションビデオに構成する。
• 参考スコア（独自算出の注目度）: 19.677257938855416
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Presentation generation is moving beyond static slide creation toward end-to-end presentation video generation with research grounding, multimodal media, and interactive delivery. We introduce PresentAgent-2, an agentic framework for generating presentation videos from user queries. Given an open-ended user query and a selected presentation mode, PresentAgent-2 first summarizes the query into a focused topic and performs deep research over presentation-friendly sources to collect multimodal resources, including relevant text, images, GIFs, and videos. It then constructs presentation slides, generates mode-specific scripts, and composes slides, audio, and dynamic media into a complete presentation video. PresentAgent-2 supports three independent presentation modes within a unified framework: Single Presentation, which generates a single-speaker narrated presentation video; Discussion, which creates a multi-speaker presentation with structured speaker roles, such as for asking guiding questions, explaining concepts, clarifying details, and summarizing key points; and Interaction, which independently supports answering audience questions grounded in the generated slides, scripts, retrieved evidence, and presentation context. To evaluate these capabilities, we build a multimodal presentation benchmark covering single presentation, discussion, and interaction scenarios, with task-specific evaluation criteria for content quality, media relevance, dynamic media use, dialogue naturalness, and interaction grounding. Overall, PresentAgent-2 extends presentation generation from document-dependent slide creation to query-driven, research-grounded presentation video generation with multimodal media, dialogue, and interaction. Code: https://github.com/AIGeeksGroup/PresentAgent-2. Website: https://aigeeksgroup.github.io/PresentAgent-2.
• Abstract（参考訳）: プレゼンテーション生成は静的スライド生成を超えて,研究基盤,マルチモーダルメディア,インタラクティブデリバリを備えたエンドツーエンドのプレゼンテーションビデオ生成へと移行している。 本稿では,ユーザクエリからプレゼンテーションビデオを生成するエージェントフレームワークであるPresentAgent-2を紹介する。 オープンなユーザクエリと選択されたプレゼンテーションモードが与えられた後、PresentAgent-2はまず、クエリを焦点を絞ったトピックにまとめ、プレゼンテーションフレンドリーなソースについて深い調査を行い、関連するテキスト、画像、GIF、ビデオなどのマルチモーダルリソースを収集する。 その後、プレゼンテーションスライドを構築し、モード固有のスクリプトを生成し、スライド、オーディオ、ダイナミックメディアを完全なプレゼンテーションビデオに構成する。 PresentAgent-2は、統合されたフレームワーク内の3つの独立したプレゼンテーションモードをサポートする: 単一話者のナレーション付きプレゼンテーションビデオを生成するシングルプレゼンテーション、質問の誘導、概念の説明、詳細の明確化、重要点の要約など、構造化された話者の役割を持つマルチスピーカープレゼンテーションを作成するディスカッション、生成されたスライド、スクリプト、エビデンス、プレゼンテーションコンテキストに根ざした聴衆の質問に答えるのを独立にサポートするインタラクション。 これらの機能を評価するために,コンテンツ品質,メディア関連性,動的メディア利用,対話自然性,インタラクション接地といったタスク固有の評価基準を用いて,単一のプレゼンテーション,議論,インタラクションシナリオをカバーするマルチモーダル・プレゼンテーション・ベンチマークを構築した。 PresentAgent-2は、ドキュメント依存のスライド生成から、マルチモーダルメディア、対話、対話によるクエリ駆動型、研究基盤のプレゼンテーションビデオ生成まで、プレゼンテーション生成を拡張している。 コード:https://github.com/AIGeeksGroup/PresentAgent-2。 ウェブサイト:https://aigeeksgroup.github.io/PresentAgent-2。

関連論文リスト

• PresentCoach: Dual-Agent Presentation Coaching through Exemplars and Interactive Feedback [36.12055243344036]
  本稿では,理想提示エージェントとコーチエージェントという2つの補完的な役割を通じて,プレゼンテーション実践を支援するデュアルエージェントシステムを提案する。 理想的なプレゼンテーションエージェントは、スライド処理、視覚言語分析、ナレーションスクリプト生成、パーソナライズされた音声合成、同期されたビデオアセンブリを組み合わせることで、ユーザが提供するスライドをモデルプレゼンテーションビデオに変換する。 コーチエージェントは、これらの例に対してユーザ記録されたプレゼンテーションを評価し、マルチモーダルな音声分析を行い、オブザーバ-Impact-Suggestion (OIS)フォーマットで構造化されたフィードバックを提供する。
  論文  参考訳（メタデータ） (2025-11-19T09:15:21Z)
• Paper2Video: Automatic Video Generation from Scientific Papers [62.634562246594555]
  Paper2Videoは、著者が作成したプレゼンテーションビデオ、スライド、スピーカーメタデータと組み合わせた101の研究論文の最初のベンチマークである。 そこで我々は,学術プレゼンテーションビデオ生成のための最初のマルチエージェントフレームワークであるPaperTalkerを提案する。
  論文  参考訳（メタデータ） (2025-10-06T17:58:02Z)
• PresentAgent: Multimodal Agent for Presentation Video Generation [30.274831875701217]
  長文文書をナレーション付きプレゼンテーションビデオに変換するマルチモーダルエージェントであるPresentAgentを提案する。 この統合を実現するために、PresentAgentでは、インプットドキュメントのセグメント化、計画、スライドスタイルのビジュアルフレームのレンダリングを行うモジュールパイプラインを採用している。 このようなマルチモーダルなアウトプットの評価の複雑さを考慮し,ビジョンランゲージモデルを用いた統合評価フレームワークであるPresentEvalを紹介する。
  論文  参考訳（メタデータ） (2025-07-05T13:24:15Z)
• Multimodal Lecture Presentations Dataset: Understanding Multimodality in Educational Slides [57.86931911522967]
  学習内容のマルチモーダル理解における機械学習モデルの能力を検証する。 このデータセットには,180時間以上のビデオと9000時間以上のスライドが,各科目から10人の講師が参加している。 マルチモーダル・トランスフォーマーであるPolyViLTを導入する。
  論文  参考訳（メタデータ） (2022-08-17T05:30:18Z)
• VMSMO: Learning to Generate Multimodal Summary for Video-based News Articles [63.32111010686954]
  マルチモーダル出力(VMSMO)を用いたビデオベースマルチモーダル要約の課題を提案する。 このタスクの主な課題は、ビデオの時間的依存性と記事の意味を共同でモデル化することである。 本稿では,デュアルインタラクションモジュールとマルチモーダルジェネレータからなるDual-Interaction-based Multimodal Summarizer (DIMS)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T02:19:16Z)
• Dynamic Graph Representation Learning for Video Dialog via Multi-Modal Shuffled Transformers [89.00926092864368]
  音声・視覚シーン認識ダイアログタスクのためのセマンティクス制御型マルチモーダルシャッフルトランスフォーマー推論フレームワークを提案する。 また,フレーム内推論層を用いた動的シーングラフ表現学習パイプラインを提案する。 その結果,全ての評価指標について最先端の性能を示すことができた。
  論文  参考訳（メタデータ） (2020-07-08T02:00:22Z)
• Video-Grounded Dialogues with Pretrained Generation Language Models [88.15419265622748]
  我々は、ビデオ地上対話を改善するために、事前学習された言語モデルのパワーを利用する。 本稿では,シーケンス・ツー・グラウンドの対話タスクを,シーケンス・トゥ・グラウンドのタスクとして定式化するフレームワークを提案する。 我々のフレームワークは、微調整の言語モデルで複数のモダリティにまたがる依存関係をキャプチャできる。
  論文  参考訳（メタデータ） (2020-06-27T08:24:26Z)
• Interview: A Large-Scale Open-Source Corpus of Media Dialog [11.28504775964698]
  本稿では,ニュースインタビューの書き起こしから収集した大規模(105Kの会話)メディアダイアログデータセット「Interview」を紹介する。 既存の会話データに対する大規模プロキシと比較して、我々のデータセットでトレーニングされた言語モデルは、ドメイン外のゼロショットのパフォーマンスが向上する。 「インタービュー」には各ターンの話者ロールアノテーションが含まれており、エンゲージメント・レスポンシブ・ダイアログシステムの開発を容易にする。
  論文  参考訳（メタデータ） (2020-04-07T02:44:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。