DirCast：単一のストリーミング動画言語モデルによるライブeスポーツの演出と実況

arXiv:2610.31734v1 発表タイプ：新規 要旨：ライブのeスポーツ中継には、どのカメラ映像を放送するかを決定するディレクターと、その選択について次々と解説を加えるキャスターが、次の展開を予期することなく、毎秒必要とされる。ストリーミング動画用言語モデルは解説を行うことを学習しているが、それはあくまで人間のディレクターがすでに制作した中継に限られている。本研究では、各プレイヤーの生のカメラ映像を入力として受け取り、過去の情報のみをもとにディレクションと解説の両方を担う必要がある、リアルタイム中継の制作プロセスに着目する。そこで、これら両方を実現する単一のストリーミング動画用言語モデルであるDirCastを提案する。同モデルは毎秒、すべてのカメラ映像を低解像度でスキャンし、ホールドか切り替えかというディレクション判断を下した後、選択されたカメラ映像を高解像度で読み込んでから発話を行う。そのコンテキストには、これまでに放送された内容と