論文の概要: Breaking Babel: A Self-Evolving Multi-Agent System for Long-Form Subtitle Translation

• arxiv url: http://arxiv.org/abs/2609.38660v2
• Date: Thu, 01 Oct 2026 05:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.541635
• Title: Breaking Babel: A Self-Evolving Multi-Agent System for Long-Form Subtitle Translation
• Title（参考訳）: Breaking Babel: 長期字幕翻訳のための自己進化型マルチエージェントシステム
• Abstract要約: 長文の字幕翻訳は、エピソードやシリーズ全体にわたる言論や文化的な文脈についての推論を必要とする。 長文字幕翻訳のための自己進化型マルチエージェントシステムSMARTを提案する。
• 参考スコア（独自算出の注目度）: 17.852030544229553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-form subtitle translation requires reasoning over discourse and cultural context spanning episodes or entire series, while maintaining consistent terminology and style. Existing single-LLM methods are largely sentence-level, and multi-agent systems often use static workflows that do not adapt to scene complexity or production context. We propose SMART, a Self-evolving Multi-Agent system for long-foRm subtitle Translation. During test-time training, SMART builds persistent series-level memory and translates a subset of sentences through a dynamic router and Mixture-of-Agents layer with tools for terminology verification, subtitle constraint validation, and contextual retrieval. A judge-refiner loop scores candidates and uses textual critiques to update agent prompts and routing policies without retraining the underlying LLMs. During test-time inference, the evolved configuration translates the remaining series. We also introduce Subtitle Arena, covering 14 genres, 2--198 episodes per series, production years 1959--2023, and 15 target locales, together with SubMQM, a subtitle-adapted MQM framework with seven dimensions and 19 error categories. SMART achieves the best overall MQM score in all 15 Subtitle Arena directions, reducing average penalty by 6.9% over the strongest competing agent system. On a public benchmark, MuSC, SMART obtains the best model result across all 4 language pairs. SMART also achieves the best result in human evaluation with an overall score of 4.50/5.
• Abstract（参考訳）: 長い形式の字幕翻訳は、エピソードやシリーズ全体にわたる言論や文化的な文脈を推論し、一貫した用語とスタイルを維持する必要がある。 既存の単一LLMメソッドは、主に文レベルであり、マルチエージェントシステムは、シーンの複雑さやプロダクションコンテキストに適応しない静的ワークフローを使用することが多い。 長文字幕翻訳のための自己進化型マルチエージェントシステムSMARTを提案する。 テスト時間トレーニング中、SMARTは永続的な直列メモリを構築し、動的ルータとMixture-of-Agents層を通じて文のサブセットを、用語検証、サブタイトル制約検証、コンテキスト検索のためのツールで翻訳する。 ジャッジ・リファイナループは、候補をスコアし、テキストによる批評を使用して、基礎となるLLMを再トレーニングすることなく、エージェントプロンプトとルーティングポリシーを更新する。 テスト時間推論の間、進化した構成は残りのシリーズを変換する。 また、サブタイトルアリーナを導入し、7次元および19個のエラーカテゴリを持つサブタイトル適応MQMフレームワークであるSubMQMとともに、14のジャンル、2～198のエピソード、1959～2023年の生産年、および15のターゲットローカをカバーした。 SMARTは15字幕アリーナの全ての順でMQMスコアで最高の成績を収め、最強のエージェントシステムよりも平均ペナルティを6.9%削減した。 公開ベンチマークでは、SMARTは4つの言語ペアで最高のモデル結果を得る。 SMARTは人間の評価において、総合スコア4.50/5で最高の結果を得る。

関連論文リスト

• SEAR: Segment-Evidence-Aware Routing for Weak-to-Strong Multilingual Speech MCQ [0.0]
  本稿では,第2回MLC-SLMチャレンジのタスク2について述べる。 言語モデルは、タイムスタンプ付きASRをコヒーレントなイベントスパンに変換する。 テキストのみのプローブは、データを教師付き微調整や強化学習に用いられる強い音声依存アイテムに分割する。
  論文  参考訳（メタデータ） (2026-09-10T10:38:19Z)
• WorldBench: Culturally Grounded Benchmark for Multilingual Agents [69.76002914143531]
  既存のベンチマークでは、状態の保存、言語間のパフォーマンス、現実的な根拠のあるシナリオへのアプリケーションをテストすることはめったにない。 We present WorldBench: a comprehensive, multilingual benchmark, where agent can act in a sandbox via structured action。 WorldBenchは、7つの言語と8つの文化にまたがる1,600のタスクで構成され、人間のアノテータからのフィードバックによってフィルタリングされ洗練されている。
  論文  参考訳（メタデータ） (2026-09-01T10:53:07Z)
• HAVEN: Hierarchically Aligned Multimodal Benchmark for Unified Video Understanding [1.8482679687103294]
  HAVENは階層的に整列したマルチモーダル・ベンチマークである。 この統一アノテーションパラダイムに基づいて,要約,時間的推論,マルチモーダルグラウンド,サリエンシランキングにまたがる総合評価スイートを提案する。
  論文  参考訳（メタデータ） (2026-05-19T00:48:14Z)
• LongVideoAgent: Multi-Agent Reasoning with Long Videos [69.28914905197426]
  本稿では,主LLMが問題関連セグメントの局所化のために接地エージェントをコーディネートするマルチエージェントフレームワークと,対象とするテキスト観察を抽出する視覚エージェントを提案する。 マスターエージェントは、ステップ制限で計画し、簡潔で正確で効率的なマルチエージェント協調を促進するために強化学習で訓練されている。 テレビQA/TVQA+から集約したエピソードレベルのデータセットであるLongTVQAとLongTVQA+では,マルチエージェントシステムは強力な非エージェントベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-12-23T18:59:49Z)
• ViDove: A Translation Agent System with Multimodal Context and Memory-Augmented Reasoning [5.544427667851464]
  ViDoveはマルチモーダル入力用に設計された翻訳エージェントシステムである。 長文自動サブタイリングと翻訳のための新しいベンチマークであるDoveBenchを紹介する。
  論文  参考訳（メタデータ） (2025-07-09T22:05:46Z)
• Modeling Sequential Sentence Relation to Improve Cross-lingual Dense Retrieval [80.43859162884353]
  マスク付き文モデル(MSM)と呼ばれる多言語多言語言語モデルを提案する。 MSMは、文表現を生成する文エンコーダと、文書から文ベクトルのシーケンスに適用される文書エンコーダとから構成される。 モデルをトレーニングするために,サンプル負の階層的コントラスト損失によって文ベクトルをマスクし,予測するマスク付き文予測タスクを提案する。
  論文  参考訳（メタデータ） (2023-02-03T09:54:27Z)
• Exploiting Semantic Role Contextualized Video Features for Multi-Instance Text-Video Retrieval EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge 2022 [72.12974259966592]
  EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge 2022について述べる。 まず、文を動詞や名詞に対応する意味的役割にパースし、自己意図を利用して意味的役割の文脈化されたビデオ特徴を利用する。
  論文  参考訳（メタデータ） (2022-06-29T03:24:43Z)
• HERO: Hierarchical Encoder for Video+Language Omni-representation Pre-training [75.55823420847759]
  本稿では,大規模ビデオ+言語オムニ表現学習のための新しいフレームワークHEROを提案する。 HEROは階層構造でマルチモーダル入力を符号化し、ビデオフレームのローカルコンテキストをクロスモーダル変換器でキャプチャする。 HEROはHowTo100Mと大規模TVデータセットを共同でトレーニングし、マルチキャラクタインタラクションによる複雑な社会的ダイナミクスの理解を深める。
  論文  参考訳（メタデータ） (2020-05-01T03:49:26Z)

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。