/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base-960h
Библиотека
transformers
Опубликована
8 апр 2026

Speech-Emotion-Classification

Классификация текстаТекст → label3 профессии

Производная модели prithivMLmods/Speech-Emotion-Classification. Дообученная wav2vec 2.0 модель классифицирует эмоции в английской речи по аудиозаписи на восемь категорий.

129скачиваний за 30 дней0лайковвеса обновлены8 апр 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

Карточка модели Discidius/Speech-Emotion-Classification на Hugging Face совпадает с карточкой prithivMLmods/Speech-Emotion-Classification, поэтому описание составлено по ней.

Speech-Emotion-Classification — модель prithivMLmods, дообученная на базе facebook/wav2vec2-base-960h для классификации эмоций в речи. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров.

Модель принимает аудиосигнал и относит речь к одному из восьми классов: гнев, спокойствие, отвращение, страх, радость, нейтральное состояние, грусть и удивление. Она предназначена для анализа разговоров, персонализации голосовых помощников, разметки аудиоколлекций и вспомогательных сценариев мониторинга эмоционального состояния. Карточка указывает английский язык; базовая модель рассчитана на английскую речь с частотой 16 кГц.

Модель распространяется по лицензии Apache-2.0. Предсказания отражают классификацию акустических сигналов и не подтверждают фактическое эмоциональное или психическое состояние человека.

Сценарии применения

  • определение эмоций в звонках службы поддержки
  • анализ эмоциональной окраски интервью
  • разметка речи в подкастах и аудиокнигах
  • фильтрация аудиодатасета по эмоциональным классам
  • адаптация ответов голосового помощника к эмоциональной окраске речи

Ограничения

Модель классифицирует акустические признаки по восьми заданным категориям; точность может зависеть от качества записи и соответствия данных обучающему набору. Результат не является клинической оценкой эмоционального или психического состояния.

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

1.png

Speech-Emotion-Classification

Speech-Emotion-Classification is a fine-tuned version of facebook/wav2vec2-base-960h for multi-class audio classification, specifically trained to detect emotions in speech. This model utilizes the Wav2Vec2ForSequenceClassification architecture to accurately classify speaker emotions from audio signals.

[!note] Wav2Vec2: Self-Supervised Learning for Speech Recognition https://arxiv.org/pdf/2006.11477

Classification Report:

              precision    recall  f1-score   test_support

       Anger       0.8314    0.9346    0.8800       306
        Calm       0.7949    0.8857    0.8378        35
     Disgust       0.8261    0.8287    0.8274       321
        Fear       0.8303    0.7377    0.7812       305
       Happy       0.8929    0.7764    0.8306       322
     Neutral       0.8423    0.9303    0.8841       287
         Sad       0.7749    0.7825    0.7787       308
  Surprised       0.9478    0.9478    0.9478       115

    accuracy                           0.8379      1999
   macro avg       0.8426    0.8530    0.8460      1999
weighted avg       0.8392    0.8379    0.8367      1999

download.png

download (1).png


Label Space: 8 Classes

Class 0: Anger  
Class 1: Calm  
Class 2: Disgust  
Class 3: Fear  
Class 4: Happy  
Class 5: Neutral  
Class 6: Sad  
Class 7: Surprised

Install Dependencies

pip install gradio transformers torch librosa hf_xet

Inference Code

import gradio as gr
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor
import torch
import librosa

# Load model and processor
model_name = "prithivMLmods/Speech-Emotion-Classification"
model = Wav2Vec2ForSequenceClassification.from_pretrained(model_name)
processor = Wav2Vec2FeatureExtractor.from_pretrained(model_name)

# Label mapping
id2label = {
    "0": "Anger",
    "1": "Calm",
    "2": "Disgust",
    "3": "Fear",
    "4": "Happy",
    "5": "Neutral",
    "6": "Sad",
    "7": "Surprised"
}

def classify_audio(audio_path):
    # Load and resample audio to 16kHz
    speech, sample_rate = librosa.load(audio_path, sr=16000)

    # Process audio
    inputs = processor(
        speech,
        sampling_rate=sample_rate,
        return_tensors="pt",
        padding=True
    )

    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        probs = torch.nn.functional.softmax(logits, dim=1).squeeze().tolist()

    prediction = {
        id2label[str(i)]: round(probs[i], 3) for i in range(len(probs))
    }

    return prediction

# Gradio Interface
iface = gr.Interface(
    fn=classify_audio,
    inputs=gr.Audio(type="filepath", label="Upload Audio (WAV, MP3, etc.)"),
    outputs=gr.Label(num_top_classes=8, label="Emotion Classification"),
    title="Speech Emotion Classification",
    description="Upload an audio clip to classify the speaker's emotion from voice signals."
)

if __name__ == "__main__":
    iface.launch()

Original Label

  "id2label": {
    "0": "ANG",
    "1": "CAL",
    "2": "DIS",
    "3": "FEA",
    "4": "HAP",
    "5": "NEU",
    "6": "SAD",
    "7": "SUR"
  },

Intended Use

Speech-Emotion-Classification is designed for:

  • Speech Emotion Analytics – Analyze speaker emotions in call centers, interviews, or therapeutic sessions.
  • Conversational AI Personalization – Adjust voice assistant responses based on detected emotion.
  • Mental Health Monitoring – Support emotion recognition in voice-based wellness or teletherapy apps.
  • Voice Dataset Curation – Tag or filter speech datasets by emotion for research or model training.
  • Media Annotation – Automatically annotate podcasts, audiobooks, or videos with speaker emotion metadata.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
9b87bba

0 моделей