/ Модель

Характеристики

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

SER-Odyssey-Baseline-WavLM-Categorical

Классификация аудиоАудио → label3 профессии

Модель классифицирует аудиоречь по восьми категориям эмоций, включая гнев, грусть, радость и нейтральное состояние.

2 182скачиваний за 30 дней11лайковвеса 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

3loi/SER-Odyssey-Baseline-WavLM-Categorical — модель распознавания эмоций в речи, обученная для базовой линии соревнования Odyssey 2024 по распознаванию эмоций. Она анализирует аудио и относит речь к одной из восьми категорий: гнев, грусть, радость, удивление, страх, отвращение, презрение или нейтральное состояние. Модель содержит 402,7 млн параметров, построена на архитектуре SERModel и доступна в форматах PyTorch и Safetensors.

Модель обучена на MSP-Podcast и предназначена для классификации эмоциональной окраски речи. Карточка упоминает оценку на тестовом и development-наборах соревнования, но численные результаты в предоставленном README отсутствуют. В метаданных указан английский язык. Лицензия — MIT.

Сценарии применения

  • определение эмоций в подкастах
  • классификация эмоциональной окраски речи
  • анализ эмоциональных состояний в аудиозаписях
  • разметка речи для исследований распознавания эмоций

Ограничения

Модель выдаёт только одну из восьми заданных категорий эмоций; численные результаты упомянутых бенчмарков в предоставленной карточке отсутствуют.

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 categorical based model which predicts: "Angry", "Sad", "Happy", "Surprise", "Fear", "Disgust", "Contempt" and "Neutral".

Benchmarks

F1-scores 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-Categorical-Attributes", 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: 'Angry', 1: 'Sad', 2: 'Happy', 3: 'Surprise', 4: 'Fear', 5: 'Disgust', 6: 'Contempt', 7: 'Neutral'}
#tensor([[0.0015, 0.3651, 0.0593, 0.0315, 0.0600, 0.0125, 0.0319, 0.4382]])

#convert logits to probability
probabilities = torch.nn.functional.softmax(pred, dim=1)
print(probabilities)
#[[0.0015, 0.3651, 0.0593, 0.0315, 0.0600, 0.0125, 0.0319, 0.4382]]

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
50632bb

0 моделей