論文の概要: Hierarchical Dual-Graph Retrieval for Long-form Audio Reasoning
- arxiv url: http://arxiv.org/abs/2610.41390v1
- Date: Fri, 30 Oct 2026 08:00:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.652481
- Title: Hierarchical Dual-Graph Retrieval for Long-form Audio Reasoning
- Title（参考訳）: 長めオーディオ推論のための階層的デュアルグラフ検索法
- Abstract要約: AudioHelixは、大規模なオーディオ言語モデル(LALM)に適した階層的なDualGraphフレームワークである。
既存のテキストのみまたは非グラフRAGアプローチとは異なり、AudioHelixはマルチホップ推論のために時間的に離れたセグメントに関連のあるテキストと音響的証拠を接続する。
- 参考スコア（独自算出の注目度）: 9.846282116706528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large audio language models (LALMs) struggle with long-form audio reasoning, as processing entire recordings often limits to capture query-relevant content distributed across distant segments while incurring substantial computational cost. We introduce AudioHelix, a hierarchical DualGraph framework tailored for LALMs' retrieval-augmented generation (RAG) systems. Unlike existing text-only or non-graph RAG approaches, AudioHelix connects related textual and acoustic evidence across temporally distant segments for multi-hop reasoning. Extensive experiments on TraceAV-Bench, MMAU-Pro, and AudioMarathon demonstrate that AudioHelix consistently outperforms full-audio processing and existing RAG methods. The project site is https://github.com/ewha-mmai/audiohelix.
- Abstract（参考訳）: 大規模なオーディオ言語モデル (LALM) は、長い形式の音声推論に苦慮している。
本稿では,LALMの検索拡張生成(RAG)システムに適した階層型DualGraphフレームワークであるAudioHelixを紹介する。
既存のテキストのみまたは非グラフRAGアプローチとは異なり、AudioHelixはマルチホップ推論のために時間的に離れたセグメントに関連のあるテキストと音響的証拠を接続する。
TraceAV-Bench、MMAU-Pro、AudioMarathonの大規模な実験は、AudioHelixがフルオーディオ処理と既存のRAGメソッドを一貫して上回ることを示した。
プロジェクトサイトはhttps://github.com/ewha-mmai/audiohelix。
関連論文リスト
- Continuous Audio Thinking for Large Audio Language Models [16.335310406868217]
応答生成に先立って音響情報を整理するための連続的な潜時ワークスペースを備えた音声モデルを実現するために,Continuous Audio Thinking (CoAT)を導入した。
思考空間内では、モデルはその応答を生成する際に専門家の蒸留によって提供される豊かな音響情報を利用することができる。
CoATは、ベースラインに対する追加の自己回帰復号化コストを必要としない。
論文 参考訳（メタデータ） (2026-06-05T11:38:30Z) - LongAudio-RAG: Event-Grounded Question Answering over Multi-Hour Long Audio [6.935416517354558]
LongAudio Generation (LARAG) は、Large Language Model (LLM) が取得した、タイムスタンプ付き音響イベント検出において出力する基盤となるフレームワークである。
ハイブリッドエッジクラウド環境にデプロイすることで,このアプローチの実践性を実証する。
イベントレベルの構造的検索は,バニラ検索よりも精度が向上することが示された。
論文 参考訳（メタデータ） (2026-02-16T10:15:22Z) - 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) - ThinkSound: Chain-of-Thought Reasoning in Multimodal Large Language Models for Audio Generation and Editing [47.14083940177122]
ThinkSoundは、ビデオの段階的にインタラクティブなオーディオ生成と編集を可能にする新しいフレームワークである。
提案手法は,3つの相補的な段階 – セマンティック・コヒーレント,インタラクティブなオブジェクト中心の改良,ターゲット編集 – に分解する。
実験により、ThinkSoundはオーディオメトリクスとCoTメトリクスの両方で、ビデオからオーディオ生成における最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-06-26T16:32:06Z) - Empowering LLMs with Pseudo-Untrimmed Videos for Audio-Visual Temporal Understanding [36.20990265600332]
PU-VALORは114,000本以上の擬似アンリム化ビデオと詳細な時間的アノテーションを含む包括的オーディオ視覚データセットである。
PU-VALORは、イベントベースのビデオクラスタリングを含む微妙な方法で、大規模だが粗い注釈付きオーディオ視覚データセットVALORから派生した。
AVicunaは、音声・視覚イベントを時間間隔と対応するテキストトークンに整列できるモデルである。
論文 参考訳（メタデータ） (2024-03-24T19:50:49Z) - Separate Anything You Describe [53.30484933564858]
言語クエリオーディオソース分離(LASS)は,CASA(Computer auditory scene analysis)の新しいパラダイムである
AudioSepは、自然言語クエリによるオープンドメインオーディオソース分離の基礎モデルである。
論文 参考訳（メタデータ） (2023-08-09T16:09:44Z)
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。