/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
ser · dense
Опубликована
15 мар 2024

SER-Odyssey-Baseline-WavLM-Arousal

Классификация аудиоАудио → label3 профессии

Модель оценивает уровень эмоционального возбуждения в речи по аудиозаписи, выдавая значение примерно от 0 до 1.

94скачиваний за 30 дней2лайкавеса обновлены12 июн 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SER-Odyssey-Baseline-WavLM-Arousal — модель распознавания эмоциональных характеристик речи, обученная для базовой линии соревнования Odyssey 2024 Emotion Recognition. Она специализируется на оценке arousal — уровня эмоционального возбуждения — по аудио речи и выдаёт численную оценку примерно от 0 до 1. Модель содержит около 402,7 млн параметров; в репозитории представлены веса PyTorch в формате safetensors.

Модель обучена на датасете MSP-Podcast и предназначена для анализа эмоциональной окраски речи, например в подкастах и записях разговоров. Карточка приводит оценивание на наборах Test3 и Development соревнования Odyssey; лицензия — MIT.

Сценарии применения

  • оценка эмоционального возбуждения в подкастах
  • анализ эмоциональной окраски записей речи
  • извлечение динамики возбуждения в разговоре

Ограничения

Модель предсказывает только arousal, а не полный набор эмоциональных категорий; заявленный диапазон оценок приблизительный. Обучение проводилось на MSP-Podcast, поэтому перенос на другие типы речи может требовать отдельной проверки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

The model was trained on MSP-Podcast for the Odyssey 2024 Emotion Recognition competition baseline This particular model is the single-task specialized arousal model, which predict arousal in a range of approximately 0...1.

Benchmarks

CCC based on Test3 and Development sets of the Odyssey Competition

For more details: demo, paper, and GitHub.

@InProceedings{Goncalves_2024,
            author={L. Goncalves and A. N. Salman and A. {Reddy Naini} and L. Moro-Velazquez and T. Thebaud and L. {Paola Garcia} and N. Dehak and B. Sisman and C. Busso},
            title={Odyssey2024 - Speech Emotion Recognition Challenge: Dataset, Baseline Framework, and Results},
            booktitle={Odyssey 2024: The Speaker and Language Recognition Workshop)},
            volume={To appear},
            year={2024},
            month={June},
            address =  {Quebec, Canada},
}

Usage

from transformers import AutoModelForAudioClassification
import librosa, torch

#load model
model = AutoModelForAudioClassification.from_pretrained("3loi/SER-Odyssey-Baseline-WavLM-Arousal", trust_remote_code=True)

#get mean/std
mean = model.config.mean
std = model.config.std


#load an audio file
audio_path = "/path/to/audio.wav"
raw_wav, _ = librosa.load(audio_path, sr=model.config.sampling_rate)

#normalize the audio by mean/std
norm_wav = (raw_wav - mean) / (std+0.000001)

#generate the mask
mask = torch.ones(1, len(norm_wav))

#batch it (add dim)
wavs = torch.tensor(norm_wav).unsqueeze(0)


#predict
with torch.no_grad():
    pred = model(wavs, mask)

print(model.config.id2label) 
print(pred)
#{0: 'arousal'}
#tensor([[0.3670]])

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · audio-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SERModel
Ревизия весов
780cd4d

0 моделей