論文の概要: Crayotter: Traceable Multi-Agent Workflows for Long-Form Video Editing

• arxiv url: http://arxiv.org/abs/2606.07636v1
• Date: Sun, 31 May 2026 14:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.169222
• Title: Crayotter: Traceable Multi-Agent Workflows for Long-Form Video Editing
• Title（参考訳）: Crayotter: 長時間のビデオ編集のためのトレース可能なマルチエージェントワークフロー
• Authors: Lecheng Yan, Yichong Zhang, Ben Pan, Xiaoyu Zheng, Jiawei Qian, Anqi Wu, Wenxi Li, Chenyang Lyu,
• Abstract要約: Crayotterは、プロンプト駆動のビデオ編集のためのオープンソースのマルチモーダルマルチエージェントシステムである。 Crayotterは、カバレッジ対応の素材準備、アーティファクトベースの編集研究、ツールグラウンドのタイムライン実行という3つのフェーズで構成されている。
• 参考スコア（独自算出の注目度）: 18.640980775340637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Editing a long-form video from heterogeneous footage requires more than selecting clips: an agent must preserve narrative intent across material preparation, timeline construction, post-production, and revision while leaving enough evidence to diagnose failures. We present \textbf{Crayotter}, an open-source multimodal multi-agent system for prompt-driven video editing. Crayotter organizes production into three phases: coverage-aware material preparation, artifact-based editing research, and tool-grounded timeline execution. Each phase externalizes inspectable artifacts, including coverage reports, multimodal analyses, editing blueprints, tool calls, and intermediate renders. These artifacts make an editing run traceable and allow failed segments to be diagnosed and selectively revised instead of requiring a full restart. We evaluate Crayotter on 23 editing themes against CapCut-Mate and CutClaw. Under human evaluation, Crayotter achieves an average score of 3.40/5, compared with 2.44 and 1.70 for the two baselines, with consistent gains in theme alignment, narrative coherence, and editing smoothness. We additionally describe a replayable trajectory schema and verifiable reward design that prepare these workflows for future policy optimization. Code, traces, and examples are publicly available at https://github.com/idwts/Crayotter.
• Abstract（参考訳）: 不均一な映像から長い映像を編集するには、クリップの選択以上のものが必要である。エージェントは、材料準備、タイムラインの構築、ポストプロダクション、リビジョンなど、物語の意図を保存し、失敗を診断するための十分な証拠を残しなければならない。 本稿では,プロンプト駆動ビデオ編集のためのオープンソースのマルチモーダルマルチエージェントシステムである「textbf{Crayotter}」を提案する。 Crayotterは、カバレッジ対応の素材準備、アーティファクトベースの編集研究、ツールグラウンドのタイムライン実行という3つのフェーズで構成されている。 各フェーズは、カバレッジレポート、マルチモーダル分析、ブループリントの編集、ツールコール、中間レンダリングを含む検査可能なアーティファクトを外部化する。 これらのアーティファクトは、完全な再起動を必要とせず、編集実行をトレース可能とし、失敗したセグメントを診断し、選択的に修正することを可能にする。 我々は,CapCut-MateとCutClawに対する23の編集テーマについてCrayotterの評価を行った。 人間の評価では、クリオッターの平均スコアは3.40/5であり、2つのベースラインでは2.44と1.70であり、テーマアライメント、物語のコヒーレンス、スムーズさは一貫して向上している。 さらに、将来の政策最適化のためにこれらのワークフローを準備するための再生可能な軌道スキーマと検証可能な報酬設計についても記述する。 コード、トレース、例はhttps://github.com/idwts/Crayotter.comで公開されている。

関連論文リスト

• CoVEBench: Can Video Editing Models Handle Complex Instructions? [26.871333176496126]
  CoVEBenchは、416のキュレートされたソースビデオ、626のマルチポイント編集命令、9,990のきめ細かいチェックリスト項目からなる合成ビデオ編集ベンチマークである。 MLLM-judged命令コンプライアンスとビデオ忠実度によるモデルの評価と、ビデオ品質の自動測定を行う。
  論文  参考訳（メタデータ） (2026-06-07T02:29:41Z)
• R^3: Composed Video Retrieval via Reasoning-Guided Recalling and Re-ranking [73.0537447183962]
  本稿では、Reasoning-guided Recalling and Re rankを中心に構築されたゼロショット合成ビデオ検索パイプラインを提案する。 モデルは、編集を適用した後、期待されるターゲットビデオを記述する推論トレースを生成する。 この課題に対処する上で,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2026-05-31T09:20:53Z)
• CutClaw: Agentic Hours-Long Video Editing via Music Synchronization [96.62825277039117]
  CutClawは、数時間の生の映像を意味のある短いビデオに編集するために設計された、自律的なマルチエージェントフレームワークだ。 同期音楽の動画を制作し、指示と視覚的に魅力的な外観が続く。 われわれは、CutClawが高品質なリズムアライメントビデオを生成する際に、最先端のベースラインを大幅に上回っていることを示すための詳細な実験を行っている。
  論文  参考訳（メタデータ） (2026-03-31T12:25:53Z)
• Prompt-Driven Agentic Video Editing System: Autonomous Comprehension of Long-Form, Story-Driven Media [35.60423976124236]
  タイムラインではなく自由形式のプロンプトを通じて、クリエイターが複数時間コンテンツを再構成するのに役立つプロンプト駆動のモジュール編集システムを提案する。 コアとなるセマンティックインデックスパイプラインは、時間分割、ガイド付きメモリ圧縮、粒度間の融合を通じてグローバルな物語を構築する。 我々のシステムは、即席編集をスケールし、物語の一貫性を保ち、自動化と創造者制御のバランスをとる。
  論文  参考訳（メタデータ） (2025-09-20T21:22:56Z)
• Cut2Next: Generating Next Shot via In-Context Tuning [93.14744132897428]
  マルチショット生成には、目的があり、映画のような遷移と厳密な撮影連続性が必要である。 現在の手法はしばしば基本的な視覚的一貫性を優先し、重要な編集パターンを無視している。 我々は、プロの編集パターンを批判的に合成する、その後の高品質なショットであるNext Shot Generation (NSG)を紹介する。
  論文  参考訳（メタデータ） (2025-08-11T17:56:59Z)
• Shape-for-Motion: Precise and Consistent Video Editing with 3D Proxy [48.72918598961146]
  本稿では,精密で一貫したビデオ編集のための3Dプロキシを組み込んだ新しいフレームワークであるShape-for-Motionを紹介する。 我々のフレームワークは、ポーズ編集、回転、スケーリング、翻訳、テクスチャ修正、オブジェクト合成など、ビデオフレーム間の精密で物理的に一貫性のある操作をサポートしています。
  論文  参考訳（メタデータ） (2025-06-27T17:59:01Z)

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。