本文へ移動
AI NEWS JOURNAL
AI, IN PERSPECTIVE

AI ニュースを検索

見出し・要約・本文から、情報のつながりを探します。

公開日時順

音声言語モデルにおける制御可能な発話スタイルキャプションのベンチマーク

arXiv:2610.33036v1 公表タイプ:新規 要旨:発話スタイルキャプション(SSC)は、声の質感、プロソディー、表現力といったパラリンガリスティックな属性を捉えながら、話し方がどのように伝えられているかを自然な言語で記述することを目的としています。会話型AIエージェント、制御可能な音声生成、大規模な音声アノテーションなど、多くの下流アプリケーションでは、単一で区別されない記述ではなく、話者の特性、感情、発話スタイルなど、特定の側面を対象とした次元別のスタイルキャプションが必要とされています。しかし、既存の研究には、制御可能な発話スタイルキャプションに関する統一的な定式化が欠けています。本研究では、このギャップを埋めるために、SSCを指示に従う音声言語タスクとして定式化し、明示的な指示によって発話スタイルの次元を指定する形で取り組みました。

経緯と関連報道

歴史文書の文字起こしにおけるOCRシステムのエンティティ認識対応評価

arXiv:2610.33004v1 発表タイプ:新規 要旨:光学文字認識(OCR)は歴史的アーカイブのデジタル化において不可欠であるが、文字誤り率(CER)などの標準的な評価指標だけでは、氏名や日付、識別子といった有意義な情報が確実に保持されているかどうかを必ずしも反映しない。本研究では、歴史文書におけるOCR品質を評価するための補完的な視点として、OCRエラーのエンティティレベルでの分析を検討する。公開されているBerruttiアーカイブの175件の文書から構成されるベンチマークを用い、受理後に公開予定の手動でアノテーションされた5,209件のエンティティ言及を追加することで、逐次認識型OCRシステム、OCR専用のビジョン・ランゲージモデル、および汎用のビジョン・ランゲージモデルを比較する。全体的な転写精度にとどまらず

経緯と関連報道

SAGEベンチマークとGARフレームワークの公開:マルチモーダルな意味的整合性評価の推進

2026年10月26日、arXivは論文arXiv:2610.31838v1を公開し、Sense-Aligned Grounding Evaluation(SAGE)——統一された10候補画像選択基準——を提案するとともに、名詞・動詞・実体中心の多モーダルなグラウンディング評価を実施するための、学習非依存型のGloss-Augmented Reasoning(GAR)フレームワークも併せて提示した。

新闻源配图 · arXiv cs.CL

注目する理由:本研究は、VWSD、VerSe、WikiDiverseの3種類のタスクを用語中心のグラウンドトゥルース評価プロトコルに統一し、混同行動による難負例の導入とコンテキスト交換による診断メカニズムを提案しました。さらに、定義の強化と制約による推論の誘導が協調して作用することでHits@1指標を大幅に向上させること(65.90→71.22)を実証し、マルチモーダルな意味対応の評価においてより細粒度で解釈可能な新たなパラダイムを提供しています。

経緯と関連報道

MistralはNVIDIAと協力してAIネイティブなワークフローの推進を図り、Mistral Large 4を発表するとともに、物理およびエージェント型AIの評価ベンチマークを共同で構築しています。

MistralとNVIDIAは、Mistral Large 4の大規模モデル、物理モデリングパイプライン、およびNVIDIAのアクセラレーテッドコンピューティングスタック(CUDA-X、Warp、Omniverse)を統合し、航空宇宙、自動車、半導体などの産業向けのAIネイティブなエンジニアリングワークフローの共同開発を深化させると発表しました。両社は、物理AIおよびCAE/EDAの各シナリオにおけるエージェント能力の評価を網羅する、オープンソースのデータセットと公開ベンチマークを共同でリリースする予定です。

経緯と関連報道

AWS Bedrockがカナダリージョンでクロスリージョン推論を開始し、標準的なGPT-5.6/GPT-6/GPT-6.1モデルの呼び出しをサポートします

Amazon Web Servicesは、カナダの顧客がAmazon Bedrockを通じて、ca-central-1(カナダ中部)およびca-west-1(カナダ西部/カルガリー)リージョンで、クロスリージョン推論(CRIS)方式により、OpenAI GPT-5.6、GPT-6、GPT-6.1と称されるモデルを呼び出すことができると発表しました。実際の推論は北米または世界のAWS商用リージョンで行われ、データは静的にカナダのソースリージョンに留まります。

経緯と関連報道