/ Модель

Характеристики

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

wav2vec2-base-finetuned-ravdess-personalization

Классификация текстаТекст → label3 профессии

Классификатор на базе Wav2Vec2 определяет одну из восьми эмоций в речи и предназначен для экспериментов по персонализации распознавания.

94скачиваний 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-ravdess-personalization — классификатор эмоций в речи на базе Wav2Vec2, разработанный для экспериментов по адаптации модели во время тестирования. Она дообучена на RAVDESS и относит аудиозапись к одному из восьми классов: нейтральное состояние, спокойствие, радость, грусть, гнев, страх, отвращение или удивление. Модель предназначена для исследований персонализации распознавания эмоций между говорящими и доменами; опубликована как часть работы об адаптации моделей распознавания эмоций в речи.

Архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт метку класса эмоции. В метаданных указан английский язык. Лицензия — MIT. Результаты оценки и сравнение с методами адаптации приведены в статье авторов; применимость за пределами экспериментального сценария RAVDESS отдельно не подтверждена.

Сценарии применения

  • классификация эмоций в аудиозаписях речи
  • сравнение методов адаптации распознавания эмоций во время тестирования
  • эксперименты по персонализации распознавания эмоций для разных говорящих
  • оценка распознавания восьми эмоций на данных RAVDESS

Ограничения

Модель обучена на RAVDESS и предназначена для экспериментов по адаптации; качество на других корпусах и в реальных сценариях в предоставленных материалах не описано.

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-ravdess-personalization

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

Model Description

Wav2Vec2 fine-tuned on RAVDESS for Task1 (intra-corpus personalization)

  • Base Model: facebook/wav2vec2-base
  • Dataset: RAVDESS
  • Task: Task1 - intra-corpus personalization
  • Emotions: neutral, calm, happy, sad, angry, fearful, disgust, surprised
  • Number of Classes: 8

Usage

from transformers import AutoModelForAudioClassification, AutoFeatureExtractor
import torch
import torchaudio

# Load model and processor
model_checkpoint = "LincolnD/wav2vec2-base-finetuned-ravdess-personalization"
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 RAVDESS dataset.

Training Data

  • Dataset: RAVDESS
  • Emotions: 8 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
9e983cf

0 моделей