/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-large-xlsr-53-russian
Библиотека
transformers
Опубликована
22 мая 2022

wav2vec2-xlsr-53-russian-emotion-recognition

Классификация аудиоАудио → label3 профессии

Дообученная Wav2Vec2-модель классифицирует русскую речь по семи эмоциональным категориям.

549скачиваний за 30 дней17лайковвеса обновлены1 авг 2026

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

Модель Aniemore для распознавания эмоций в русской речи. Она основана на архитектуре Wav2Vec2 XLSR-53 и дообучена на датасете Aniemore/resd; модель содержит 402,7 млн параметров по метаданным. Принимает монофоническую аудиозапись с частотой 16 кГц длительностью до 12 секунд и относит её к одному из семи классов: гнев, отвращение, энтузиазм, страх, радость, нейтральное состояние или грусть.

Модель предназначена для классификации эмоций в отдельных русскоязычных речевых фрагментах, например при анализе звонков или подкастов. На тестовой выборке RESD README приводит macro-F1 0,7206, но на тестах спонтанной речи из подкастов Dusha и CAMEO результаты значительно ниже. Данные RESD состоят из сбалансированных актёрских записей, поэтому модель склонна переоценивать эмоциональные классы в естественной речи; перед применением на собственных данных нужна проверка и калибровка. Лицензия — MIT.

Сценарии применения

  • определение эмоций в коротких русскоязычных аудиозаписях
  • анализ эмоциональной окраски реплик в звонках
  • разметка эмоций в подкастах и интервью
  • подсчёт частоты эмоциональных состояний в речевых фрагментах

Ограничения

Модель обучена на сбалансированных актёрских данных RESD и заметно хуже работает на спонтанной речи, где может переоценивать эмоциональные классы. Поддерживает только семь классов эмоций и рассчитана на отдельные русскоязычные речевые фрагменты; качество следует проверять и калибровать на целевых данных.

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

wav2vec2-xlsr-53-russian-emotion-recognition

Speech emotion recognition for Russian over seven classes: anger, disgust, enthusiasm, fear, happiness, neutral, sadness.

Fine-tuned from jonatasgrosman/wav2vec2-large-xlsr-53-russian on Aniemore/resd.

Results

Test setnUAWAmacro-F1
RESD test2800.71760.72140.7206
Dusha podcast test120790.33150.08040.0954
CAMEO test51870.23700.26030.2248

Usage

import torch, librosa
from transformers import AutoModelForAudioClassification, AutoFeatureExtractor

repo = "Aniemore/wav2vec2-xlsr-53-russian-emotion-recognition"
model = AutoModelForAudioClassification.from_pretrained(repo).eval()
fe = AutoFeatureExtractor.from_pretrained(repo)

# Resample to 16 kHz. RESD ships at 44.1 kHz, and 44.1 kHz audio
# labelled as 16 kHz is stretched 2.8x in time — the model answers,
# it just answers about other audio.
wav, _ = librosa.load("clip.wav", sr=16000, mono=True)
x = fe(wav, sampling_rate=16000, return_tensors="pt", padding=True)
with torch.no_grad():
    logits = model(**x).logits

probs = logits.softmax(-1)[0]
print({model.config.id2label[i]: round(p.item(), 3) for i, p in enumerate(probs)})
# torchaudio
import torchaudio
wav, sr = torchaudio.load("clip.wav")
wav = torchaudio.functional.resample(wav, sr, 16000).mean(0).numpy()

# torchcodec, the newer decoder
from torchcodec.decoders import AudioDecoder
wav = AudioDecoder("clip.wav", sample_rate=16000).get_all_samples().data.mean(0).numpy()

# straight from the dataset — `datasets` resamples on the column, so
# the mixed 16/44.1 kHz in RESD is handled for you
from datasets import load_dataset, Audio
ds = load_dataset("Aniemore/resd", split="test")
ds = ds.cast_column("speech", Audio(sampling_rate=16000))
wav = ds[0]["speech"]["array"]

Evaluation protocol

Audio resampled to 16 kHz mono, clips capped at 12 s, normalized per utterance, padding masked. UA is macro-averaged recall, WA is accuracy, F1 is macro-averaged. All three test sets went through the same harness, so the rows are comparable to each other.

The RESD split matches fold 1 of EmoBox bit for bit. The top entry there is WavLM-large at WA 56.47 / UA 55.87 / F1 55.82. These numbers are higher, but the training protocol differs — EmoBox freezes the encoder and trains a probe, this is a full fine-tune — so read it as a different recipe on the same split, not as a like-for-like win.

Limitations

RESD is acted and class-balanced. Real speech is neither. The Dusha podcast row above is the honest signal for spontaneous audio, and it is far below the RESD row. Spontaneous Russian is roughly 93% neutral, and a model tuned on balanced acted data over-predicts the emotional classes on it. Measure on your own material, and calibrate the neutral logit if you deploy.

Seven classes only, Russian only, single-speaker clips.

Citation

@misc{aniemore,
  author = {Lubenets, Ilya and Davidchuk, Nikita and Amentes, Aleksandr},
  title  = {Aniemore: an open library for emotion recognition in Russian speech},
  url    = {https://github.com/Aniemore/Aniemore},
  year   = {2023}
}

License

MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForSpeechClassification
Ревизия весов
3a4ab5c

0 моделей