/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-large-xlsr-53
Опубликована
25 июл 2024

audio-emotion-detection

Классификация текстаТекст → label3 профессии

Модель wav2vec2 классифицирует речевое аудио по семи эмоциональным категориям.

480скачиваний за 30 дней19лайковвеса обновлены25 июл 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

Hatman/audio-emotion-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она анализирует речевой аудиосигнал и относит его к одной из семи категорий эмоций: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Архитектура — Wav2Vec2ForSequenceClassification семейства wav2vec2, около 402,7 млн параметров; модель сохранена в формате safetensors.

Модель предназначена для распознавания эмоциональной окраски речи. В README приведены результаты оценки: accuracy 0,6262 и loss 0,9555. Для корректной работы входное аудио следует привести к частоте дискретизации 16 кГц. Обучающие данные включают Common Voice 6.0 и speech-recognition-community-v2/dev_data.

Модель выпущена под лицензией Apache-2.0. Приведённая точность указывает на возможные ошибки классификации; оценка дана на конкретном наборе и не гарантирует такое же качество на других голосах, языках и акустических условиях.

Сценарии применения

  • определение эмоций в голосовых записях
  • анализ эмоциональной окраски речи в диалогах
  • разметка аудиозаписей по категориям эмоций

Ограничения

В README указана accuracy 0,6262 на оценочном наборе, поэтому модель может ошибаться. Входное аудио нужно привести к частоте дискретизации 16 кГц; переносимость результатов на другие условия записи не установлена.

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

Audio Emotion Detection

This model is a fine-tuned version of facebook/wav2vec2-large-xlsr-53.

It achieves the following results on the evaluation set:

  • Loss: 0.9555
  • Accuracy: 0.6262

Model description

A model that returns Labels for Angry, Disgusted, Fearful, Happy, Neutral, Sad, Suprised. All aduio was trained at a sampling rate of 16000 and all inputs should be transformed to work properly.

Training and evaluation data

  • mozilla-foundation/common_voice_6_0
  • speech-recognition-community-v2/dev_data

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0005
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 256
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.01
  • num_epochs: 4

Training results

Training LossEpochStepValidation LossAccuracy
1.58751.0401.25740.5133
1.16372.0801.08520.5590
0.98273.01201.00480.6090
0.86834.01600.95550.6262

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
95f7c25

0 моделей