Fugu-MT 論文翻訳(概要): Don't Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding

論文の概要: Don't Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding

arxiv url: http://arxiv.org/abs/2608.24048v1
Date: Tue, 25 Aug 2026 04:16:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.810371
Title: Don't Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding
Title（参考訳）: 聞くな, 計画しよう - 長文音声会議理解のためのグラフベース検索生成エージェント
Abstract要約: 我々はLongAudioQAデータセットを構築し,異種音声特徴を多次元グラフにモデル化するGRGAモデルを提案する。
参考スコア（独自算出の注目度）: 29.028615297348143
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While long-form audio meeting understanding (LAMU) is garnering growing attention, task-specific question answering (QA) datasets remain scarce. Existing speech QA paradigms and state-of-the-art Speech LLMs suffer from acoustic information loss and poor long-term context memory. To address these issues, we construct the LongAudioQA dataset and propose the GRGA model, which models heterogeneous audio features into a multi-dimensional graph and leverages agent planning for retrieval and answer generation.
Abstract（参考訳）: ロングフォーム音声会議理解(LAMU)が注目を集めている一方で、タスク固有の質問応答(QA)データセットは依然として不足している。既存の音声QAパラダイムと最先端音声LLMは、音響情報損失と長期記憶不良に悩まされる。これらの問題に対処するため、LongAudioQAデータセットを構築し、多次元グラフに異質な音声特徴をモデル化し、検索および回答生成にエージェント計画を利用するGRGAモデルを提案する。

関連論文リスト

GigaChat Audio: Time-aware Large Audio Language Model [65.51589021112385]
最大120分以上の入力を明示的にタイムスタンプで解答する時間認識型オーディオLLMを提案する。提案手法は,カスケードパイプラインからの大規模合成監督を用いて,周期的時間マーカーと連続的な音声トークンをインターリーブする。
論文参考訳（メタデータ） (2026-07-11T16:34:25Z)
EChO-Agent: Evidence Chain Orchestration Agent for Audio Reasoning [57.032533935143924]
LALMは音声の疑問関連部分に焦点を合わせず、明確でチェック可能な推論プロセスを提供する。本稿では,複雑なオーディオQAを計画,ツールの実行,エビデンス統合,回答検証ワークフローとして再構成するモジュール型エージェントフレームワークEChO-Agentを提案する。
論文参考訳（メタデータ） (2026-06-13T06:05:59Z)
ATIR: Towards Audio-Text Interleaved Contextual Retrieval [63.68521448682396]
本稿では,Audio-Text Interleaved contextual Retrieval (ATIR)タスクを導入する。このベンチマークは、意味検索における既存の音声検索データセットの限界を実質的に解決する。
論文参考訳（メタデータ） (2026-04-22T07:11:58Z)
AgenticAI-DialogGen: Topic-Guided Conversation Generation for Fine-Tuning and Evaluating Short- and Long-Term Memories of LLMs [10.842219538943356]
AgenticAI-DialogGenは、人間の監督なしにペルソナとトピックの誘導された会話を生成する。 TopicGuidedChat(TGC)と名付けられた新しいデータセットは、長期記憶を話者固有の知識グラフとして、短期記憶を新たに生成されたトピック誘導会話としてエンコードする。
論文参考訳（メタデータ） (2026-04-14T01:17:24Z)
Speaker-Reasoner: Scaling Interaction Turns and Reasoning Patterns for Timestamped Speaker-Attributed ASR [18.90091826363701]
Speaker-Reasonerはエージェント型マルチターン時間的推論を備えたエンドツーエンド音声LLMである。 Speaker-Reasonerは、AliMeetingとAISHELL-4データセットの強いベースラインよりも一貫した改善を実現している。
論文参考訳（メタデータ） (2026-04-03T14:52:20Z)
LongAudio-RAG: Event-Grounded Question Answering over Multi-Hour Long Audio [6.935416517354558]
LongAudio Generation (LARAG) は、Large Language Model (LLM) が取得した、タイムスタンプ付き音響イベント検出において出力する基盤となるフレームワークである。ハイブリッドエッジクラウド環境にデプロイすることで,このアプローチの実践性を実証する。イベントレベルの構造的検索は,バニラ検索よりも精度が向上することが示された。
論文参考訳（メタデータ） (2026-02-16T10:15:22Z)
Multi-Domain Audio Question Answering Toward Acoustic Content Reasoning in The DCASE 2025 Challenge [102.84031769492708]
本課題は,多様な音響シーンに対する対話型質問応答における音声モデルをテストするための3つのQAサブセットを定義する。開発セットの予備的な結果を比較し、モデルとサブセット間で強い変動を示す。この課題は、音声モデルの音声理解と推論能力を人間レベルに向上することを目的としている。
論文参考訳（メタデータ） (2025-05-12T09:04:16Z)
Long-Form Speech Generation with Spoken Language Models [64.29591880693468]
テキストなしの音声言語モデルは、数十秒を超える可読な音声を生成するのに苦労する。我々は、長音の音声から学習し、サンプルする最初の音声言語モデルであるSpeechSSMを導出する。 SpeechSSMは線形時間列モデリングの最近の進歩を活用し、コヒーレンスと効率性において現在のトランスフォーマー音声LMを大幅に上回っている。
論文参考訳（メタデータ） (2024-12-24T18:56:46Z)
Enhancing Temporal Understanding in Audio Question Answering for Large Audio Language Models [0.9285295512807729]
AQA(Audio Question Answering)タスクには、オーディオイベント分類、オーディオキャプション、オープンエンド推論が含まれる。 LALMは一般的な音声理解では優れているが、時間的推論では限られている。本稿では,音声時間的推論におけるこれらの課題と限界について述べる。
論文参考訳（メタデータ） (2024-09-10T05:26:53Z)
Multi-Scale Attention for Audio Question Answering [9.254814692650523]
AQA (Audio Question answering) は、シーン理解を探索するために広く使用されるプロキシタスクである。既存の手法は主に視覚的質問応答タスクの構造を単純なパターンで音声に拡張する。本稿では,非同期ハイブリッドアテンションモジュールとマルチスケールウィンドウアテンションモジュールからなるマルチスケールウィンドウアテンションフュージョンモデルを提案する。
論文参考訳（メタデータ） (2023-05-29T10:06:58Z)
Make-An-Audio: Text-To-Audio Generation with Prompt-Enhanced Diffusion Models [65.18102159618631]
マルチモーダル生成モデリングは、テキスト・ツー・イメージとテキスト・ツー・ビデオ生成においてマイルストーンを生み出した。高品質のテキストオーディオペアを備えた大規模データセットの欠如、長期連続的なオーディオデータのモデリングの複雑さ、という2つの主な理由から、オーディオへの適用は依然として遅れている。本稿では,これらのギャップに対処する急激な拡散モデルを用いたMake-An-Audioを提案する。
論文参考訳（メタデータ） (2023-01-30T04:44:34Z)
Learning to Answer Questions in Dynamic Audio-Visual Scenarios [81.19017026999218]
本稿では,視覚的物体の異なる音と映像の関連性に関する質問に答えることを目的としたAVQAタスクに着目した。我々のデータセットには、様々なモダリティと質問タイプにまたがる45万以上の質問応答ペアが含まれています。 A-SIC, V-SIC, AVQA のアプローチでは, AVQA は多感性知覚の恩恵を受けており, モデルでは近年の A-SIC, V-SIC, AVQA のアプローチよりも優れていた。
論文参考訳（メタデータ） (2022-03-26T13:03:42Z)

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。