/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
21 янв 2026

wav2vec2-base-finetuned-iemocap-acted-to-natural-emotion

Классификация текстаТекст → label3 профессии

Классификатор на базе Wav2Vec2 распознаёт четыре эмоции в речи и предназначен для экспериментов с адаптацией к импровизированной речи.

109скачиваний за 30 дней0лайковвеса обновлены21 янв 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 LincolnD/wav2vec2-base-finetuned-iemocap-acted-to-natural-emotion — классификатор эмоций в речи на базе Wav2Vec2, дообученный на IEMOCAP. Она предназначена для распознавания четырёх классов: гнева, радости, нейтрального и грустного состояния.

Модель разработана для экспериментов по адаптации во время вывода (Test-Time Adaptation, TTA) при переходе от постановочной речи к импровизированной, а также между доменами и дикторами. Веса представлены в формате Safetensors; архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт метку эмоции. Карточка описывает английский набор данных IEMOCAP, но не подтверждает поддержку других языков.

Модель связана с исследованием об адаптации систем распознавания эмоций в речи. Лицензия — MIT. Результаты оценки и сравнение методов вынесены в статью; карточка не приводит конкретных метрик, поэтому качество в других наборах данных и сценариях по ней оценить нельзя.

Сценарии применения

  • распознавание гнева, радости, грусти и нейтрального состояния в аудиозаписях
  • оценка эмоций в импровизированной речи после обучения на постановочной
  • эксперименты по адаптации распознавания эмоций к новым дикторам
  • сравнение методов адаптации моделей речи во время вывода

Ограничения

Обучение основано на IEMOCAP и четырёх классах эмоций; перенос на другие языки и акустические условия не подтверждён. Карточка не содержит численных метрик качества.

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-base-finetuned-iemocap-acted-to-natural-emotion

This model is part of our ICASSP 2026 paper: Test-Time Adaptation Methods for Speech Emotion Recognition.

Model Description

Wav2Vec2 fine-tuned on IEMOCAP for Task2 (scripted to improvised domain shift)

  • Base Model: facebook/wav2vec2-base
  • Dataset: IEMOCAP
  • Task: Task2 - scripted to improvised domain shift
  • Emotions: angry, happy, neutral, sad
  • Number of Classes: 4

Usage

from transformers import AutoModelForAudioClassification, AutoFeatureExtractor
import torch
import torchaudio

# Load model and processor
model_checkpoint = "LincolnD/wav2vec2-base-finetuned-iemocap-acted-to-natural-emotion"
processor = AutoFeatureExtractor.from_pretrained(model_checkpoint)
model = AutoModelForAudioClassification.from_pretrained(model_checkpoint)

# Load and process audio
audio_path = "path/to/your/audio.wav"
waveform, sample_rate = torchaudio.load(audio_path)

# Resample to 16kHz if needed
if sample_rate != 16000:
    resampler = torchaudio.transforms.Resample(sample_rate, 16000)
    waveform = resampler(waveform)

# Process and predict
inputs = processor(waveform.squeeze().numpy(), sampling_rate=16000, return_tensors="pt", padding=True)
with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.argmax(outputs.logits, dim=-1)

emotion_id = predictions.item()
emotion = model.config.id2label[emotion_id]
print(f"Predicted emotion: {emotion}")

Training Details

This model was fine-tuned from the pre-trained Wav2Vec2 base model on the IEMOCAP dataset.

Training Data

  • Dataset: IEMOCAP
  • Emotions: 4 classes
  • Sampling Rate: 16kHz

Intended Use

This model is designed for use in Test-Time Adaptation (TTA) experiments as part of our research on adapting speech emotion recognition systems to new domains and speakers.

Evaluation

For detailed evaluation results and comparison with various TTA methods, please refer to our paper.

Model Card Authors

LincolnD

License

MIT License - See repository for details.

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
428d726

0 моделей