論文の概要: DirCast: Live Esports Directing and Commentary with a Single Streaming Video-Language Model

• arxiv url: http://arxiv.org/abs/2610.31734v1
• Date: Thu, 22 Oct 2026 16:09:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.256119
• Title: DirCast: Live Esports Directing and Commentary with a Single Streaming Video-Language Model
• Title（参考訳）: DirCast:シングルストリーミングビデオランゲージモデルによるライブスポーツの演出と解説
• Abstract要約: ライブのエススポーツ放送では、どのカメラが空を飛ぶかを選ぶ監督と、その選択について話すキャスターが必要です。 我々は,各プレイヤーの生のカメラをモデルが受け取り,過去から直接的かつコメントしなくてはならないライブ放送制作について検討する。 私たちはDirCastを紹介します。DirCastは、両方を実行する単一のストリーミングビデオ言語モデルです。
• 参考スコア（独自算出の注目度）: 24.141601286980617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A live esports broadcast needs a director who chooses which camera goes on air and a caster who talks over that choice, every second and without knowing what comes next. Streaming video language models have learned to commentate, but only over a broadcast that a human director has already produced. We study live broadcast production, in which a model receives the raw camera of every player and must both direct and commentate from the past alone. We present DirCast, a single streaming video language model that does both. Every second it scans all cameras at low resolution, decides with a hold-or-switch director whether and where to cut, and reads the chosen camera at high resolution before it speaks. Its context keeps what went on air and what was said and lets the other views expire, which bounds the cost of a stream of any length. We build a dataset of 27 professional Dota 2 matches with a camera for every hero, the human director's choices and the casters' commentary. DirCast directs better than rule-based and zero-shot directors including GPT-5, and its commentary wins 29.2 percent of comparisons against GPT-4o under the Proact-VL protocol, against 19.4 percent for the strongest of eleven streaming commentators that watch the human broadcast.
• Abstract（参考訳）: ライブのエススポーツ放送では、どのカメラが空を飛ぶかを選ぶ監督と、その選択について話すキャスターが必要です。 ビデオ言語をストリーミングするモデルはコメントすることを学びましたが、人間のディレクターがすでに制作したブロードキャストでしかありません。 我々は,各プレイヤーの生のカメラをモデルが受け取り,過去から直接的かつコメントしなくてはならないライブ放送制作について検討する。 私たちはDirCastを紹介します。DirCastは、両方を実行する単一のストリーミングビデオ言語モデルです。 毎秒、低解像度で全カメラをスキャンし、ホールド・オー・スウィッチ・ディレクターでカットするかどうかを判断し、選択したカメラを高解像度で読み取る。 その文脈は、何が起こったか、何が言われたかを保持し、他のビューを終了させ、あらゆる長さのストリームのコストを制限している。 私たちは27のプロフェッショナルDota 2のデータセットを、すべてのヒーロー、人間のディレクターの選択、キャスターのコメントのためにカメラと一致させます。 DirCastは、GPT-5を含むルールベースおよびゼロショットのディレクターよりも優れており、そのコメンタリーでは、Proact-VLプロトコルの下でのGPT-4oとの比較の29.2%を勝ち取り、ヒトの放送を視聴する11人のストリーミングコメンテーターのうち、19.4%に勝っている。

関連論文リスト

• When Left Is Right? Camera-Motion Understanding beyond Screen [13.625020432446524]
  CameraVLMは、動き状態表現と状態言語アライメントをペアリングする。 カメラトークンは、カメラが画面からどのように動くかをキャプチャし、フロートークンは、被写体と背景が画面上でどのように動くかをキャプチャする。
  論文  参考訳（メタデータ） (2026-10-12T18:09:24Z)
• Prompt, Probe, Train, or Annotate? Single-camera sports video understanding in amateur settings [0.0]
  テストケースとしてバレーボールを用いると、一般的なビデオやワールドモデルベンチマークでの強いパフォーマンスが、プレーヤーごとの信頼性の高い属性に変換されるかどうかを問う。 我々は,46,648人の接触者による66のアマチュア試合において,各段階での4つのアプローチ(プロンプティングとエージェント推論,小さな訓練を受けた専門家による古典的コンピュータビジョン,自己指導型ビデオワールドモデル,手動アノテーション)を評価する。
  論文  参考訳（メタデータ） (2026-09-23T13:05:24Z)
• Video = World + Event Stream [70.56197496608006]
  Wan-Streamer v0.3は、ひとつの組織でネイティブインタラクションモデルを再構築します。 これにより、大量の実ビデオに対して、汎用的な事前学習タスクが得られる。 機能的には、モデルのマルチモーダル理解プロセスは視覚-アクション-様である。
  論文  参考訳（メタデータ） (2026-07-16T14:19:42Z)
• AudCast: Audio-Driven Human Video Generation by Cascaded Diffusion Transformers [83.90298286498306]
  既存の方法は、主に顔の動きを駆動することに焦点を当てており、非コヒーレントな頭と体の動きに繋がる。 本稿では,Diffusion-Transformers(DiT)パラダイムを取り入れた一般的な音声駆動型ヒューマンビデオ生成フレームワークであるAudCastを提案する。 我々のフレームワークは、時間的コヒーレンスときめ細かい顔と手細かな細部を持つ高忠実なオーディオ駆動型人間ビデオを生成する。
  論文  参考訳（メタデータ） (2025-03-25T16:38:23Z)
• Towards Real-Time Analysis of Broadcast Badminton Videos [29.633481528698844]
  生放送のマッチビデオにおけるバドミントンマッチに対するプレイヤーの動き分析のためのエンドツーエンドフレームワークを提案する。 マルチモーダルセンサデータを使用する他のアプローチとは異なり、我々のアプローチは視覚的手がかりのみを使用する。 われわれのフレームワークは、2019年のプレミアバドミントンリーグのライブ放送の試合をリアルタイムで分析するためにうまく利用された。
  論文  参考訳（メタデータ） (2023-08-23T15:38:26Z)
• SoccerNet-Caption: Dense Video Captioning for Soccer Broadcasts Commentaries [71.44210436913029]
  本稿では,単一のタイムスタンプを固定したテキストコメンタリーの生成に着目した,高密度動画キャプションの新たな課題を提案する。 サッカー放送の715.9時間に約37万のタイムスタンプによるコメントからなる挑戦的なデータセットを提示する。
  論文  参考訳（メタデータ） (2023-04-10T13:08:03Z)
• Going for GOAL: A Resource for Grounded Football Commentaries [66.10040637644697]
  本稿では,GrOunded footbAlLコメンタリー(GOAL)について紹介する。 本稿では,フレームリオーダー,モーメント検索,ライブコメンタリー検索,プレイバイプレイのライブコメンタリー生成といったタスクに対して,最先端のベースラインを提供する。 その結果,ほとんどのタスクにおいてSOTAモデルは合理的に機能することがわかった。
  論文  参考訳（メタデータ） (2022-11-08T20:04:27Z)
• Automatic Camera Control and Directing with an Ultra-High-Definition Collaborative Recording System [0.5735035463793007]
  複数のカメラアングルからイベントをキャプチャすることで、視聴者はそのイベントの最も完全で興味深い写真を得ることができる。 全方位カメラや広角カメラの導入により、イベントをより完全に捉えられるようになった。 イベントの複数の超高解像度ビデオストリームが与えられると、視覚的に喜ぶ一連のショットを生成することができるシステムを示す。
  論文  参考訳（メタデータ） (2022-08-10T08:28:08Z)
• Moment-to-moment Engagement Prediction through the Eyes of the Observer: PUBG Streaming on Twitch [0.9281671380673304]
  我々は,有名なバトルロイヤルゲームPlayerUnknown's Battlegroundsから収集されたデータに基づいて,視聴者のエンゲージメントを予測するモデルを構築した。 特に,5つの人気ストリーマーの数百試合から視聴者のチャットログとゲーム内テレメトリデータを収集する。 私たちの重要な発見は、40のゲームプレイ機能のみにトレーニングされたエンゲージメントモデルが、平均で80%、最高で84%のアキュラシーに達することを示しています。
  論文  参考訳（メタデータ） (2020-08-17T10:40:34Z)

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。