論文の概要: InteractionBench: A Real-Time Interaction Benchmark for Streaming Video Systems

• arxiv url: http://arxiv.org/abs/2610.05775v1
• Date: Mon, 05 Oct 2026 04:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:30:22.544286
• Title: InteractionBench: A Real-Time Interaction Benchmark for Streaming Video Systems
• Title（参考訳）: InteractionBench: ストリーミングビデオシステムのためのリアルタイムインタラクションベンチマーク
• Abstract要約: InteractionBenchは、クエリ応答、イベントトリガ、および812ビデオ上の1,060のインタラクションの継続的な更新をカバーしている。 ビデオクロック上でコンテンツ精度、タイミング精度、サイレントコンプライアンスをスコアする。 ネイティブリアルタイムインタラクションシステムは、66.8タイミング精度で29.2のサイレントコンプライアンスに達するが、負のストリームの89.9%を出力する。
• 参考スコア（独自算出の注目度）: 39.63667724851282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A video assistant must speak when its instruction warrants a response and stay silent otherwise. We introduce a benchmark that evaluates this decision for the complete system of model, memory, and response controller. InteractionBench covers query responses, event triggers, and ongoing updates in 1,060 interactions over 812 videos, with 69 negative streams and 53 suites that pair counted events with look-alike near misses. It scores content accuracy, timing accuracy, and silence compliance on the video clock. Timely speech costs silence across systems. Polled Qwen3-VL-8B reaches 77.8 timing accuracy but 10.9 silence compliance. A native real-time interaction system reaches 29.2 silence compliance at 66.8 timing accuracy, yet emits on 89.9% of negative streams. No open-weight system clears a third of the near-miss suites. Fewer replies help only when chosen, as random deletion merely trades timing for silence. Offline scores miss these failures and mispredict online behavior. Adding restraint is costly, as the native system's controller adds little by itself and agentic systems add it only at about 30 s per poll.Project page: https://www.enxinsong.com/projects/interactionbench/ Code: https://github.com/Espere-1119-Song/InteractionBench Data: https://huggingface.co/datasets/InteractionBench/InteractionBench
• Abstract（参考訳）: ビデオアシスタントは、その指示が応答を保証し、それ以外は黙っていなければならない。 モデル,メモリ,レスポンスコントローラの完全なシステムに対して,この決定を評価するベンチマークを導入する。 InteractionBenchは、クエリ応答、イベントトリガ、および812ビデオ上の1,060のインタラクションの継続的な更新をカバーし、69の負のストリームと53のスイートで、ルック・アズ・ア・ミスに近いイベントをペアリングする。 ビデオクロック上でコンテンツ精度、タイミング精度、サイレントコンプライアンスをスコアする。 タイムリーなスピーチはシステム全体の沈黙を犠牲にする。 汚染されたQwen3-VL-8Bは77.8タイミング精度で10.9サイレントコンプライアンスに達する。 ネイティブリアルタイムインタラクションシステムは、66.8タイミング精度で29.2のサイレントコンプライアンスに達するが、負のストリームの89.9%を出力する。 オープンウェイトシステムは、ほぼミススイートの3分の1をクリアしない。 ランダムな削除は、単に沈黙のためにタイミングを交換するだけである。 オフラインスコアは、これらの失敗を見逃し、オンラインの振る舞いを誤った予測します。 プロジェクトページ: https://www.enxinsong.com/projects/interactionbench/ Code: https://github.com/Espere-1119-Song/InteractionBench Data: https://huggingface.co/datasets/InteractionBench/InteractionBench

関連論文リスト

• Voice-Light: A Full-Duplex Cascaded Voice Agent with Causal Turn-Taking and Speculative Generation [0.0]
  本稿では、音声の信頼性を耐久性のある歴史のためにレンダリングする音声オーバ・ASRシステムを提案する。 早期に学習した完了チェックポイントは2.70%の偽カット率を維持したが、12.53%のターンリコールしか得られなかった。 したがってシステムは、学習された政治の代替を主張するのではなく、ハイブリッドコントローラを保有する。
  論文  参考訳（メタデータ） (2026-09-17T18:49:48Z)
• Realtime-Venus: A full-duplex interaction system with asynchronous delegation [0.0]
  音声対話のためのリアルタイム・リアルタイム・オムニ・オーディオ・インタラクションとリアルタイム・オーディオ・スポーケンを提示する。 それぞれのモデルは完全な会話として機能し、連続認識、会話制御、およびネイティブ音声生成を統合する。
  論文  参考訳（メタデータ） (2026-09-12T08:56:50Z)
• TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue [79.83228182492354]
  自然な会話の話し手は、話と聞き取りを交互に行い、いつ床をつかむか、保持するか、または譲るかをリアルタイムで決める。 そこで本研究では,30時間の人的会話を手作業でラベル付けしたコーパスを,エンド・オブ・ターンと割り込み検出のための標準評価プロトコルと組み合わせたベンチマークTurnBenchを提案する。 一方、割り込み偽陽性は強く型依存的であり、バックチャネル・デンス相互作用スタイルに集中している。
  論文  参考訳（メタデータ） (2026-08-25T23:14:36Z)
• Low-Latency Real-Time Audio Game Commentary System via LLM-Based Parallel Text Generation [59.178597408747095]
  本稿では,ライブゲームプレイビデオから直接音声コメントを生成する低遅延リアルタイム音声ゲーム解説システムを提案する。 従来のパイプラインはフレームをキャプチャし、テキストを生成し、発話毎に順次音声を合成し、音声再生が完了するまで次世代を要求しない。 本システムでは、音声再生と並行してテキスト生成を行い、複数の候補発話を事前にバッファリングすることで、再生境界での即時合成を可能にする。
  論文  参考訳（メタデータ） (2026-06-11T13:15:13Z)
• Learning When to Think While Listening in Large Audio-Language Models [21.451503274426596]
  LALM(Large Audio-Language Models)のための学習可能な待ち行列制御形式を導入する。 人間の会話の漸進的な性質に触発され、コントローラーは、いつ待つか、いつ答えるかという部分的なオーディオ証拠に基づいて決定する。 その結果,6リワードDAPOコントローラの行重み付け精度は67.6%から70.3%に向上し,終端から終端までの長さを14%削減した。
  論文  参考訳（メタデータ） (2026-05-26T15:43:11Z)
• OmniInteract: Benchmarking Real-World Streaming Interaction for Real-Time Omnimodal Assistants [43.2907783462394]
  音声-視覚的ストリームに対するネイティブ推論によって評価されたリアルタイム全言語モデルのストリーミングベンチマーク。 本研究では,対話型品質タイムラインF1,割り込み診断スイート,368の1QnAスロットを用いて,応答の正しさ,タイミング,不正出力の割り込み,コンテキスト継続性を評価した。
  論文  参考訳（メタデータ） (2026-05-26T02:49:47Z)
• Don't Pause! Every prediction matters in a streaming video [55.509551643600794]
  一般的なストリーミング知覚とアシスト機能を評価するマルチターンプロアクティブクエリを特徴とするSPOT-Benchを提案する。 SPOT-BenchにはTimeliness-F1が付属している。 i)オフラインモデルは、確実にイベントを検知するが、スパム予測は失敗する; (ii) サイレントをトレーニングした後、スパムを減らし、応答を低下させる; (iii) ストリーミングビデオの半分は応答を期待しない。
  論文  参考訳（メタデータ） (2026-04-27T11:07:03Z)
• Real-Time Voicemail Detection in Telephony Audio Using Temporal Speech Activity Features [1.066048003460524]
  本稿では,事前学習したニューラル音声活動検出器の音声活動パターンから15の時間的特徴を抽出する軽量なアプローチを提案する。 2つの評価セットで合計764の電話録音を行い、96.1%の精度で合成する。
  論文  参考訳（メタデータ） (2026-04-02T17:43:24Z)
• Dispider: Enabling Video LLMs with Active Real-Time Interaction via Disentangled Perception, Decision, and Reaction [81.34648970317383]
  本稿では,知覚,決定,反応を両立させるシステムであるDispiderを紹介する。 実験により、Dispiderは従来のビデオQAタスクにおいて高いパフォーマンスを維持しているだけでなく、ストリーミングシナリオ応答における従来のオンラインモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-01-06T18:55:10Z)

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。