論文の概要: Logbook: Extremely Long-form Audio Event Understanding
- arxiv url: http://arxiv.org/abs/2610.07338v1
- Date: Mon, 05 Oct 2026 20:13:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.642141
- Title: Logbook: Extremely Long-form Audio Event Understanding
- Title（参考訳）: ログブック:超長めのオーディオイベント理解
- Abstract要約: Logbookは、時間スケールの音声理解のためのベンチマークである。
システムはイベントラベルとセグメント毎の記述によるギャップフリーセグメンテーションを予測しなければならない。
52のシステム、エンドツーエンドとカスケードを比較し、微調整、コンテキスト長、推論の予算を短縮する。
- 参考スコア（独自算出の注目度）: 25.817133604241434
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Audio benchmarks are built around short, pre-segmented clips, limiting model design to brief inputs or fixed vocabularies. To close this gap, we introduce Logbook, a benchmark for hour-scale audio understanding, with recordings ranging from ten minutes to six days. Given a continuous audio recording and an event label vocabulary, a system must predict a gap-free segmentation with an event label and a description per segment. We compare 52 systems, end-to-end and cascaded, and ablate fine-tuning, context length, and reasoning budget. We find the task tractable, though the best systems remain below the human reference. Also, over-segmentation is pervasive, and fine-tuning partially mitigates it. Finally, end-to-end are often better than cascaded systems, but degrades with longer context.
- Abstract（参考訳）: オーディオベンチマークは、短い、分割済みのクリップを中心に構築され、モデル設計を短い入力や固定語彙に制限する。
このギャップを埋めるために、時間スケールの音声理解のためのベンチマークであるLogbookを紹介します。
連続的な音声記録とイベントラベルの語彙が与えられた場合、システムはイベントラベルとセグメントごとの記述によるギャップのないセグメンテーションを予測しなければならない。
52のシステム、エンドツーエンドとカスケードを比較し、微調整、コンテキスト長、推論予算を短縮する。
タスクは取り外しが可能ですが、最高のシステムは人間の基準以下です。
また、過剰なセグメンテーションが広まり、微調整によって部分的に軽減される。
最後に、エンドツーエンドは、しばしばカスケードシステムよりも優れているが、より長いコンテキストで劣化する。
関連論文リスト
- GigaChat Audio: Time-aware Large Audio Language Model [65.51589021112385]
最大120分以上の入力を明示的にタイムスタンプで解答する時間認識型オーディオLLMを提案する。
提案手法は,カスケードパイプラインからの大規模合成監督を用いて,周期的時間マーカーと連続的な音声トークンをインターリーブする。
論文 参考訳（メタデータ） (2026-07-11T16:34:25Z) - MOSS-Audio Technical Report [80.01042232102883]
MOSS-Audioは、音声、環境音、音楽理解のための統一された音声言語モデルである。
音声キャプション、タイムアウェアな質問応答、タイムスタンプによる書き起こし、音声による推論をサポートする。
論文 参考訳（メタデータ） (2026-06-01T07:19:22Z) - AudioMarathon: A Comprehensive Benchmark for Long-Context Audio Understanding and Efficiency in Audio LLMs [53.248502396225724]
AudioMarathonは、ロングフォームオーディオの理解と推論の効率を評価するために設計されたベンチマークである。
我々は、最先端のLALMを評価し、音声の長さが大きくなるにつれて、明らかな性能低下を観察する。
その結果、現在のLALM間での大きなギャップが示され、時間的推論の改善の必要性が浮き彫りになった。
論文 参考訳（メタデータ） (2025-10-08T17:50:16Z) - AudioStory: Generating Long-Form Narrative Audio with Large Language Models [87.23256929520743]
AudioStoryは、大きな言語モデルとテキストからオーディオシステムを統合して、構造化された長文の音声物語を生成するフレームワークである。
LLMを用いて複雑な物語クエリを時間順に並べたサブタスクに分解する。
広汎な実験により,単一音声生成と物語音声生成の両方においてAudioStoryの優位性が,指示追従能力と音声忠実性の両方において,TTAベースラインを上回った。
論文 参考訳（メタデータ） (2025-08-27T17:55:38Z) - TACOS: Temporally-aligned Audio CaptiOnS for Language-Audio Pretraining [3.5570874721859016]
音声録音におけるテキスト記述と時間領域の整合を学習するフレームワイドコントラスト学習手法を提案する。
我々のモデルは,AudioSet Strongベンチマークで評価した場合,グローバルキャプションでのみ訓練されたモデルと比較して,時間的テキスト・オーディオアライメント能力が優れている。
論文 参考訳（メタデータ） (2025-05-12T14:30:39Z) - Epic-Sounds: A Large-scale Dataset of Actions That Sound [64.24297230981168]
EPIC-SOUNDSには78.4kの分類された音声イベントとアクションがあり、44のクラスと39.2kの非分類セグメントに分散している。
我々は、オーディオのみの手法とオーディオ視覚的手法の両方において、データセット上で最先端の音声認識および検出モデルを訓練し、評価する。
論文 参考訳（メタデータ） (2023-02-01T18:19:37Z) - E2E Segmenter: Joint Segmenting and Decoding for Long-Form ASR [38.79441296832869]
ストリーミング方式でセグメント境界を予測できるエンドツーエンドのASRモデルを提案する。
我々は,最先端のコンフォーマーRNN-Tモデルにおいて,VADセグメンタベースラインと比較して,WERが8.5%向上し,中央値の遅延が250ms減少したことを実証した。
論文 参考訳（メタデータ） (2022-04-22T15:13:12Z)
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。