/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
25 апр 2024

wav2vec2-lg-xlsr-fr-speech-emotion-recognition

Классификация текстаТекст → label3 профессии

Модель La Javaness классифицирует эмоциональную окраску французской разговорной речи по пяти классам для анализа реальных диалогов.

338скачиваний за 30 дней21лайквеса обновлены25 апр 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

La Javaness разработала wav2vec2-lg-xlsr-fr-speech-emotion-recognition как экспериментальный классификатор эмоций в разговорной речи на французском языке. Модель построена на архитектуре Wav2Vec2ForSequenceClassification, содержит 402,7 млн параметров и принимает аудио, а на выходе присваивает фрагментам речи пять эмоциональных классов: Pleased, Relaxed, Neutral, Sad и Tension. Её обучили на примерно четырёх часах реальных разговоров с более чем 30 участниками в разных условиях записи, чтобы анализировать речь, например, в колл-центрах и интервью.

На собственной выборке модель показала F1-micro 0,56 и F1-macro 0,45, однако авторы отмечают слабые результаты на стандартных англоязычных и франкоязычных тестах и считают модель proof of concept. Распознавание эмоций в реальных разговорах зависит от данных, поэтому результаты могут быть ненадёжными; авторы ожидают улучшения при расширении обучающей выборки. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • определение эмоциональной окраски разговоров на французском языке
  • анализ эмоциональных реакций в звонках колл-центра
  • оценка эмоций участников интервью
  • разметка аудиозаписей французских диалогов пятью эмоциональными классами

Ограничения

Авторы сообщают о слабых результатах на стандартных англоязычных и франкоязычных наборах данных; качество на реальных разговорах также ограничено малым объёмом обучающей выборки, около четырёх часов. Выходные классы сведены к пяти категориям эмоционального пространства валентности и возбуждения.

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

Speech Emotion Recognition model for French conversation

This model is a simple 5-classes multilabel classifier trained on a proprietary dataset containing real life conversations in the French language. The model is trained on a large number of speakers (>30) in a wide variety of contexts and environment with varying audio quality. It has been developed within the frame of the R&D at La Javaness as part of a Master Thesis project for developping a multi-task conversational analysis tool for real conversation.

The development of this model aims at reducing the accuracy gap between benchmark emotion classification models where audio are professionnaly recorded actors with highly stereotyped emotion expression and emotion expression in a real life context. Hence, we developed this model to provide more convenient and usable solutions for emotion recognition in real life context (e.g. Call centers, interview analysis, etc.)

Classes

The model is trained with 5-classes based on defined subspaces from Valence-Arousal emotion space. The number of classes has been reduced to 5 to improve overall performance while covering most of the conceptual Valence-Arousal space.

['Pleased','Relaxed','Neutral','Sad','Tension']

Evaluation

Notes : This model aims at providing solution for emotion classification for real life conversation in French language. While performance of the model remains quite poor on usual benchmark English and French datasets. We observe that the performance on real conversations improves compare to models trained with benchmark datasets. In addition, one should acknowledge that emotion recognition in real context remains a highly data-centric problem and that our training dataset was quite small (~ 4 hours of content). Therefore, it is provided a proof-of-concept and we expect significant improvement in F1-scores with larger dataset (>10 hours)

Scores on our proprietary dataset and comparison with benchmark model

ehcalabres/wav2vec2-lg-xlsr-en-speech-emotion-recognitionlajavaness/wav2vec2-lg-xlsr-fr-speech-emotion-recognition
F1-micro0.410.56
F1-macro0.310.45
F1-score by class
Pleased0.070.35
Relaxed0.180.32
Neutral0.650.72
Sad0.210.27
Tension0.430.56

Scores on RAVDESS dataset

ClassF1-scoreSupport
Pleased0.00192
Relaxed0.43192
Neutral0.3396
Sad0.17192
Tension0.76192

Citation

@article{baevski2020wav2vec,
  title={wav2vec 2.0: A framework for self-supervised learning of speech representations},
  author={Baevski, Alexei and Zhou, Yuhao and Mohamed, Abdelrahman and Auli, Michael},
  journal={Advances in neural information processing systems},
  volume={33},
  pages={12449--12460},
  year={2020}
}

@article{sintes2023multi,
  title={Multi-task French speech analysis with deep learning Emotion recognition and speaker diarization models for end-to-end conversational analysis tool},
  author={Sintes, Jules},
  year={2023}
}

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
b9d5dd3

0 моделей