論文の概要: Richard: Voice-First Mobile Interaction for Persistent Tasks
- arxiv url: http://arxiv.org/abs/2609.39976v1
- Date: Wed, 30 Sep 2026 15:36:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.984073
- Title: Richard: Voice-First Mobile Interaction for Persistent Tasks
- Title（参考訳）: Richard: 永続タスクのための音声ファーストモバイルインタラクション
- Abstract要約: モバイル端末は、ユーザの注意に対する制御をサポートしながら、アプリケーションおよびネットワークサービスを提供する必要がある。
リクエストやタスクの委譲を中心に編成された音声ファーストインタラクションについて検討し、ユーザーは会話を離れ、後に調査、修正、作業の検索を行うことができる。
音声セッション、タスク実行、結果配信を個別に管理し、永続的な要求レコードを通じてリンクするシステムプロトタイプであるRichardを提示する。
- 参考スコア（独自算出の注目度）: 4.790870491742235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile terminals need to provide application and network services while supporting users' control over their attention. We explore voice-first interaction organized around requests and delegated tasks, allowing users to leave a conversation and later inspect, revise, and retrieve the work. We present Richard, a system prototype that manages voice sessions, task execution, and result delivery separately, linking them through persistent request records. Conversation and task views provide visual feedback, while the backend coordinates immediate responses, dedicated service operations, and agent tasks. Request revisions, execution states, and notifications remain associated with the relevant task. We examine this design through Android functional records, controlled lifecycle verification, and execution records of a real programming request. Controlled verification reproduces revision, execution after confirmation, and result retention; deployed-service records show backend progress and failure feedback after client disconnection. These observations inform the design of task continuity, user control, and service integration in mobile voice interaction, providing an implementation basis for personal computing devices that accommodate intermittent user participation.
- Abstract（参考訳）: モバイル端末は、ユーザの注意に対する制御をサポートしながら、アプリケーションおよびネットワークサービスを提供する必要がある。
リクエストやタスクの委譲を中心に編成された音声ファーストインタラクションについて検討し、ユーザーは会話を離れ、後に調査、修正、作業の検索を行うことができる。
音声セッション、タスク実行、結果配信を個別に管理し、永続的な要求レコードを通じてリンクするシステムプロトタイプであるRichardを提示する。
会話とタスクビューは視覚的なフィードバックを与え、バックエンドは即時応答、専用のサービス操作、エージェントタスクを調整します。
リクエストのリビジョン、実行状態、通知は、関連するタスクに関連付けられている。
この設計は,Androidの機能記録,ライフサイクル検証の制御,実際のプログラミング要求の実行記録を通じて検証する。
制御された検証は、リビジョン、確認後の実行、結果の保持を再現する。
これらの観察は、モバイル音声インタラクションにおけるタスク継続性、ユーザ制御、サービス統合の設計を通知し、断続的なユーザ参加に対応するパーソナルコンピューティングデバイスの実装基盤を提供する。
関連論文リスト
- TRACE: Temporal Audit and Condition-aware Evaluation of Streaming Video Understanding [13.520645078385343]
TRACE (Temporal Audit and Condition-Aware Evaluation) は条件対応のベンチマークおよび評価フレームワークである。
517本の動画から1,240枚の記録を収集し、8つの構成で8つの公開モデルやシステムを評価した。
ほぼ同一のQA精度は、完成率、正解率、生成負荷のかなりの差を隠蔽できることがわかった。
論文 参考訳（メタデータ） (2026-09-25T01:21:25Z) - RegenHarness: A Robot Agent Harness with Evidence-Gated Recursive Self-Improvement [0.0]
本稿では,エビデンス付きロボットエージェントハーネスRegenHarnessを紹介する。
役割分離された4つのコンテキストは、計画、監督、検証、リカバリの入力を分離する。
バージョニングメモリは、観察された事実と認められたタスクの進捗を区別する。
論文 参考訳（メタデータ） (2026-09-23T09:29:04Z) - A Task-State Representation for Long-Horizon Mobile GUI Agents [53.359524744953575]
Task-State Representation (TSR)は、感覚入力からタスク状態を明示的に分離する、トレーニング不要のフレームワークである。
4つのモバイルGUIベンチマークによる実験では、TSRの有効性が検証され、成功率が12ポイントまで向上した。
論文 参考訳（メタデータ） (2026-07-01T06:37:21Z) - PhoneHarness: Harnessing Phone-Use Agents through Mixed GUI, CLI, and Tool Actions [73.69976712292683]
PhoneHarnessは、検証可能なモバイル上で電話使用エージェントを研究するための混合アクションベンチマークと実行ハーネスである。
そのベンチマークであるPhoneHarness Benchは、エージェントが観測可能な副作用を持つタスクを完了したかどうかを評価する。
この結果から,信頼度の高い電話の自動化は,視覚的GUI制御だけでなく,動作面のルーティングと検証可能な実行に依存することが示唆された。
論文 参考訳（メタデータ） (2026-06-12T15:01:32Z) - ProcAgent: An Agentic Framework for Procedural Task Guidance on Edge with Human-in-the-Loop [1.4279471205248535]
ProcAgentは、NVIDIA Jetson AGX Orinのリアルタイム適応ガイダンスのための視覚ベースのプロシージャアシスタントである。
ProcAgentは知覚精度,推論,タスクレベルのパフォーマンス,ユーザエクスペリエンスの4つの側面で評価する。
論文 参考訳（メタデータ） (2026-06-09T17:56:28Z) - KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation [72.01173512175531]
KnowU-Benchはパーソナライズされたモバイルエージェントのためのオンラインベンチマークである。
42のGUIタスク、86のパーソナライズされたタスク、64のプロアクティブタスクをカバーしている。
明示的なタスク実行に優れるエージェントは、あいまいな指示の下で50%以下に低下する。
論文 参考訳（メタデータ） (2026-04-09T16:50:50Z) - Event-Driven Proactive Assistive Manipulation with Grounded Vision-Language Planning [14.022917047438375]
リクエスト駆動型アシストからイベント駆動型プロアクティブアシストへの移行を紹介します。
イベントモニタとのインタラクション進捗を追跡するイベント駆動フレームワークを提案する。
我々は,実際のテーブルトップ数ブロック協調作業において,そのフレームワークを評価する。
論文 参考訳（メタデータ） (2026-03-25T05:14:04Z) - Creating General User Models from Computer Use [53.59999173952482]
本稿では,コンピュータとのインタラクションを観察することでユーザについて学習する汎用ユーザモデル(GUM)のアーキテクチャを提案する。
GUMは、ユーザ(例えばデバイスのスクリーンショット)の非構造化観察を入力として受け取り、ユーザの知識と好みをキャプチャする信頼度重み付け命題を構築する。
論文 参考訳（メタデータ） (2025-05-16T04:00:31Z) - ScopeIt: Scoping Task Relevant Sentences in Documents [2.047424180164312]
大規模クエリからエージェントの関連情報をスコーピングするニューラルネットワークを提案する。
事前処理のステップとして使用すると、意図検出とエンティティ抽出の両方のタスクの性能が向上することを示す。
論文 参考訳（メタデータ） (2020-02-23T02:33:10Z)
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。