論文の概要: DataMagic: Authoring Data Videos through Declarative Multi-Agent Orchestration

• arxiv url: http://arxiv.org/abs/2609.33403v1
• Date: Sun, 27 Sep 2026 09:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:20:54.45101
• Title: DataMagic: Authoring Data Videos through Declarative Multi-Agent Orchestration
• Title（参考訳）: DataMagic: 宣言型マルチエージェントオーケストレーションによるデータビデオのオーサリング
• Abstract要約: データビデオは動的チャート、音声ナレーション、同期アニメーションを通じてデータインサイトを通信する。 データ分析、物語デザイン、ビデオ編集の専門知識が必要です。 本稿では,宣言型マルチエージェントオーケストレーションによるデータビデオ作成を行うDataMagicを紹介する。
• 参考スコア（独自算出の注目度）: 9.62838372000058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data videos communicate data insights through dynamic charts, voice narration, and synchronized animations, and have become a widely adopted form of data storytelling. However, producing them requires expertise in data analysis, narrative design, and video editing. Static visualization tools lack narrative and animation capabilities; authoring tools rely on pre-prepared charts rather than raw data; and pixel-level models generate videos end-to-end but cannot guarantee data accuracy or provenance. End-to-end automatic generation faces two core challenges: how to uniformly represent charts, narration, and animations together with their temporal relationships, and how to efficiently search a vast design space for narrative-coherent compositions. We present DataMagic, which authors data videos from raw tabular data through declarative multi-agent orchestration. First, the declarative specification DVSpec unifies charts, narration, and animations with data-bound references and declarative synchronization, ensuring data provenance and automatic audio-visual alignment. Second, a "Generate-then-Orchestrate" multi-agent strategy generates candidate scenes in parallel and then optimizes narrative coherence through global orchestration. DVSpec provides a shared state for three complementary interaction modes, bridging full automation with fine-grained human control. Evaluations on 109 real-world samples show that even the most advanced LLM (e.g., GPT-5) achieves only 2.13/5 with execution success rates between 48.62% and 86.24%; DataMagic improves quality to 3.89 (+83%) with success rates above 95%, with the most significant gains in animation and narrative dimensions. A user study shows that, compared to a conversational LLM workflow, DataMagic improves creation efficiency (79.7% reduction in task time) and reduces perceived cognitive load. Project page: https://github.com/HKUSTDial/DataMagic.
• Abstract（参考訳）: データビデオは動的チャート、音声ナレーション、同期アニメーションを通じてデータインサイトを伝達し、データストーリーテリングの広く採用されている。 しかし、それらの制作にはデータ分析、物語デザイン、ビデオ編集の専門知識が必要である。 静的可視化ツールは物語やアニメーションの能力に欠けており、オーサリングツールは生のデータではなく準備済みのチャートに依存している。 エンド・ツー・エンドの自動生成は、チャート、ナレーション、アニメーションを時間的関係とともに一様に表現する方法と、物語コヒーレントな構成のための広大なデザイン空間を効率的に探索する方法の2つの主要な課題に直面している。 宣言型マルチエージェントオーケストレーションを通じて、生の表データからビデオを作成するDataMagicを紹介する。 まず、宣言的仕様であるDVSpecは、データバウンド参照と宣言的同期でチャート、ナレーション、アニメーションを統一し、データの証明と自動オーディオ視覚アライメントを保証する。 第二に、"Generate-then-Orchestrate"マルチエージェント戦略は、並列に候補シーンを生成し、グローバルオーケストレーションを通じて物語の一貫性を最適化する。 DVSpecは、3つの補完的なインタラクションモードの共有状態を提供し、きめ細かい人間のコントロールで完全な自動化をブリッジする。 109個の実世界のサンプルから評価すると、最も進んだLCM(例: GPT-5)でさえ48.62%から86.24%の実行成功率で2.13/5しか達成していない。 ユーザスタディでは、会話型LLMワークフローと比較して、DataMagicは作成効率(タスク時間の79.7%削減)を改善し、認知負荷を低減している。 プロジェクトページ: https://github.com/HKUSTDial/DataMagic.com

関連論文リスト

• DVBench: Benchmarking MLLMs for Understanding Dynamic Charts and Narratives in Data Videos [10.347596683056395]
  データビデオ上でMLLMを評価するベンチマークであるDVBenchを紹介する。 DVBenchは300の現実世界のデータビデオと、厳格な半自動パイプラインでキュレートされた1000の人間検証QAペアで構成されている。 オープンソースのモデル性能はパラメータサイズに厳密にスケールせず、物語の習熟度は視覚能力を保証することができない。
  論文  参考訳（メタデータ） (2026-08-30T10:38:29Z)
• DataMagic: Transforming Tabular Data into Data Insight Video [15.163664003655631]
  データビデオは動的チャート、音声ナレーション、同期アニメーションを統合して、データ洞察を時間的物語として伝達する。 静的視覚化ツールは、物語のロジックとアニメーションが欠けている。 自然言語クエリをナラティブなデータインサイトビデオに変換する,エンドツーエンドのインタラクティブシステムであるDataMagicを実演する。
  論文  参考訳（メタデータ） (2026-06-18T15:45:05Z)
• DATAREEL: Automated Data-Driven Video Story Generation with Animations [40.67215506530081]
  データ駆動型ビデオストーリー自動生成のベンチマークであるDataReelを紹介する。 各ストーリーは構造化されたデータ、チャートの視覚化、ナレーションの書き起こしをペアリングする。 本稿では,タスクを計画,生成,検証の各段階に分割するマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T04:56:25Z)
• Sparrow: Data-Efficient Video-LLM with Text-to-Image Augmentation [57.34255010956452]
  この研究は、合成データによるスケーリングを再考し、データ中心の観点からビデオLLMの開発に焦点を当てる。 本研究では,純粋なテキスト命令データからビデオライクなサンプルを合成するSparrowというデータ拡張手法を提案する。 提案手法は,より多くのサンプルを用いてトレーニングしたベースラインに匹敵する,あるいは優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-11-29T18:59:54Z)
• Multi-Sentence Grounding for Long-term Instructional Video [63.27905419718045]
  大規模インストラクショナルデータセットを記述するための,自動でスケーラブルなパイプラインを確立することを目的としている。 複数の記述ステップを監督する高品質なビデオテキストデータセット、HowToStepを構築した。
  論文  参考訳（メタデータ） (2023-12-21T17:28:09Z)
• Visual Data-Type Understanding does not emerge from Scaling Vision-Language Models [31.69213233651326]
  視覚データ型識別の新しい課題について紹介する。 39の視覚言語モデル(VLM)の広範囲なゼロショット評価は、微妙なパフォーマンスランドスケープを示している。
  論文  参考訳（メタデータ） (2023-10-12T17:59:30Z)
• Mitigating Representation Bias in Action Recognition: Algorithms and Benchmarks [76.35271072704384]
  ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。 この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。 偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:30:35Z)
• Automatic Curation of Large-Scale Datasets for Audio-Visual Representation Learning [62.47593143542552]
  本稿では,自動データセットキュレーションのためのサブセット最適化手法について述べる。 本研究では,高視聴覚対応の映像を抽出し,自己監視モデルが自動的に構築されているにもかかわらず,既存のスケールのビデオデータセットと類似したダウンストリームパフォーマンスを達成できることを実証した。
  論文  参考訳（メタデータ） (2021-01-26T14:27:47Z)

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。