論文の概要: Dynamic Learning Solutions: A System for Personalized Educational Video Generation

• arxiv url: http://arxiv.org/abs/2609.14408v1
• Date: Sun, 13 Sep 2026 10:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.809726
• Title: Dynamic Learning Solutions: A System for Personalized Educational Video Generation
• Title（参考訳）: 動的学習ソリューション:個人化された教育用ビデオ生成システム
• Abstract要約: NCERT教科書をインタラクティブなビデオ説明に変換する自動パイプラインを提案する。 ユーザがPDFをアップロードして質問すると、システムは出力としてビデオベースの説明を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an automated pipeline that converts NCERT textbooks into interactive video explanations that respond directly to user queries. A user uploads a PDF and asks a question; the system then generates a video-based explanation as output, handling both text and visual elements from the PDF for multi-modal retrieval and response generation. The pipeline combines a Retrieval-Augmented Generation (RAG) model with generative multimedia components. The RAG stage is optimized for the structure of NCERT textbooks and performs best on content from those books. Given a user query, the RAG model retrieves relevant content from the PDF and generates a multi-scene script containing narrative explanations and structured visual prompts aligned with the textbook's explanatory style. These prompts are passed to a Stable Diffusion module, implemented layer by layer for interpretability and control, which generates contextually relevant images. The images are then processed by DynamiCrafter to produce animated sequences. Finally, a Google Text-to-Speech module generates synchronized narration, aligning speech with the visual scenes through time-based control. The result is a coherent video explanation integrating animation, narration, and textbook-aligned visuals, transforming static educational material into an engaging learning experience. By combining multi-modal document retrieval, generative visual models, animation frameworks, and speech synthesis, this pipeline demonstrates a scalable approach to delivering interactive, personalized digital education content.
• Abstract（参考訳）: 我々は,NCERT教科書をユーザクエリに直接応答するインタラクティブなビデオ説明に変換する自動パイプラインを提案する。 ユーザがPDFをアップロードして質問すると、システムは出力としてビデオベースの説明を生成し、PDFからテキストと視覚要素の両方を扱い、マルチモーダル検索と応答生成を行う。 このパイプラインは、Retrieval-Augmented Generation (RAG)モデルと生成マルチメディアコンポーネントを組み合わせたものである。 RAGステージは、NCERT教科書の構造に最適化されており、それらの書籍のコンテンツに対して最善を尽くしている。 ユーザクエリが与えられたら、RAGモデルはPDFから関連コンテンツを取得し、説明文と教科書の解説スタイルに沿った構造化された視覚的プロンプトを含むマルチシーンスクリプトを生成する。 これらのプロンプトは、解釈可能性と制御のための層によって実装された安定拡散モジュールに渡され、コンテキストに関連のある画像を生成する。 画像はDynamiCrafterによって処理され、アニメーションのシーケンスを生成する。 最後に、Google Text-to-Speechモジュールが同期ナレーションを生成し、時間ベースの制御によって音声と視覚シーンを一致させる。 その結果、アニメーション、ナレーション、教科書に沿ったビジュアルを統合したコヒーレントなビデオ説明が、静的な教材を魅力的な学習体験に変換する。 マルチモーダルな文書検索、生成的視覚モデル、アニメーションフレームワーク、音声合成を組み合わせることで、インタラクティブでパーソナライズされたデジタル教育コンテンツを提供するためのスケーラブルなアプローチを示す。

関連論文リスト

• Aura: Consistent Multi-Subject Video Generation via VLM-Grounded Semantic Alignment [20.811984469709508]
  Auraは、高忠実でアイデンティティに一貫性のあるビデオ生成のための統一されたフレームワークである。 本稿では,映像コンテンツの密度と構造を記述したAIディレクターレベルのキャプションを紹介する。 専用データ構築パイプラインを通じて高品質なビデオオブジェクト画像データセットを構築する。
  論文  参考訳（メタデータ） (2026-07-05T13:54:33Z)
• EagleNet: Energy-Aware Fine-Grained Relationship Learning Network for Text-Video Retrieval [59.858268313337355]
  エネルギーを考慮した細粒度関係学習ネットワーク(EagleNet)について紹介する。 EagleNetは正確でコンテキスト対応のリッチテキスト埋め込みを生成する。 実験では、MSRVTT、DiDeMo、MSVD、VATEXにまたがるイーグルネットの優位性を実証した。
  論文  参考訳（メタデータ） (2026-03-26T10:05:19Z)
• Bridging Your Imagination with Audio-Video Generation via a Unified Director [54.45375287950375]
  論理的推論と想像的思考はどちらも映画監督の基本的特性であると主張する。 ユーザプロンプトを適切に構造化されたスクリプトでブリッジする統合ディレクタモデルUniMAGEを提案する。
  論文  参考訳（メタデータ） (2025-12-29T05:56:22Z)
• DynaStride: Dynamic Stride Windowing with MMCoT for Instructional Multi-Scene Captioning [3.47287766500271]
  インストラクショナルビデオにおけるシーンレベルのキャプションは、視覚的手がかりと時間的構造の両方を理解することで学習を強化することができる。 手動シーンセグメンテーションを必要とせずに、コヒーレントなシーンレベルのキャプションを生成するパイプラインDynaStrideを導入する。 我々はDynaStrideが時間的コヒーレントで情報的なキャプションを生成することを示し、AIによる指導コンテンツ生成を改善するための有望な方向性を示唆している。
  論文  参考訳（メタデータ） (2025-10-27T22:29:08Z)
• VTD-CLIP: Video-to-Text Discretization via Prompting CLIP [44.51452778561945]
  視覚言語モデルは視覚的および言語的理解を橋渡しし、ビデオ認識タスクに強力であることが証明されている。 既存のアプローチは、主にパラメータ効率の良い画像テキスト事前学習モデルの微調整に依存している。 本稿では,時間的モデリングの不十分さによる限定的な解釈可能性や一般化の低さに対処する,ビデオからテキストへの離散化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:27:19Z)
• Text-Conditioned Resampler For Long Form Video Understanding [94.81955667020867]
  トレーニング済みのビジュアルエンコーダと大言語モデル(LLM)を用いたテキストコンディショニングビデオリサンプラー(TCR)モジュールを提案する。 TCRは、最適化された実装なしで、平易な注意で一度に100フレーム以上を処理できる。
  論文  参考訳（メタデータ） (2023-12-19T06:42:47Z)
• Animate-A-Story: Storytelling with Retrieval-Augmented Video Generation [69.20173154096]
  本研究では,2つの機能モジュールからなるフレームワーク,Motion Structure RetrievalとStructure-Guided Text-to-Video Synthesisを開発した。 最初のモジュールでは、オフザシェルフビデオ検索システムを活用し、動画深度をモーション構造として抽出する。 第2のモジュールに対しては、構造と文字を柔軟に制御する制御可能なビデオ生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-13T17:57:13Z)
• Emu: Generative Pretraining in Multimodality [43.759593451544546]
  トランスフォーマーベースのマルチモーダル基礎モデルは、マルチモーダルコンテキストで画像やテキストをシームレスに生成することができる。 Emuは、画像からテキストまでのタスクとテキストから画像へのタスクの両方のための汎用マルチモーダルインターフェースとして機能する。 Emuは最先端の大規模マルチモーダルモデルと比較して非常に高い性能を示す。
  論文  参考訳（メタデータ） (2023-07-11T12:45:39Z)
• VX2TEXT: End-to-End Learning of Video-Based Text Generation From Multimodal Inputs [103.99315770490163]
  本稿では,ビデオ+テキスト,音声,音声によるマルチモーダル入力からテキストを生成するフレームワークを提案する。 実験により、一つのアーキテクチャに基づくアプローチは、3つのビデオベースのテキスト生成タスクにおいて最先端のタスクより優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-28T15:22:36Z)
• 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)

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。