/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
23 мар 2022

wav2vec2-xls-r-300m-pt-br-spontaneous-speech-emotion-recognition

Классификация текстаТекст → label3 профессии

Классификатор на базе Wav2Vec2 XLS-R определяет эмоциональные классы в аудиозаписях спонтанной речи.

211скачиваний за 30 дней10лайковвеса обновлены3 апр 2022

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 alefiury/wav2vec2-xls-r-300m-pt-br-spontaneous-speech-emotion-recognition — классификатор эмоций в спонтанной речи на базе Wav2Vec2 XLS-R. По карточке, модель заняла первое место в треке распознавания эмоций речи на воркшопе SE&R 2022 по португальскому языку. Она принимает аудио и относит речь к эмоциональным классам; обучалась на португальском CORAA SER, итальянском EMOVO, англоязычном RAVDESS и арабском BAVED. Архитектура — Wav2Vec2ForSequenceClassification; размер по метаданным — 402,7 млн параметров.

На тестовой части CORAA SER модель показала accuracy 0,9090 и macro F1 0,8187. Эти результаты относятся к указанному тестовому набору и не гарантируют аналогичного качества на других языках, типах записи или схемах эмоциональных меток. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • классификация эмоций в спонтанной португальской речи
  • анализ эмоциональной окраски голосовых записей
  • оценка эмоциональных классов в исследовательских корпусах речи

Ограничения

Оценка качества приведена только для тестовой части CORAA SER; она не подтверждает качество на других корпусах и условиях записи. Схемы меток и состав классов в обучающих наборах различаются.

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

Wav2vec 2.0 XLS-R For Spontaneous Speech Emotion Recognition

This is the model that got first place in the SER track of the Automatic Speech Recognition for spontaneous and prepared speech & Speech Emotion Recognition in Portuguese (SE&R 2022) Workshop.

The following datasets were used in the training:

  • CORAA SER v1.0: a dataset composed of spontaneous portuguese speech and approximately 40 minutes of audio segments labeled in three classes: neutral, non-neutral female, and non-neutral male.

  • EMOVO Corpus: a database of emotional speech for the Italian language, built from the voices of up to 6 actors who played 14 sentences simulating 6 emotional states (disgust, fear, anger, joy, surprise, sadness) plus the neutral state.

  • RAVDESS: a dataset that provides 1440 samples of recordings from actors performing on 8 different emotions in English, which are: angry, calm, disgust, fearful, happy, neutral, sad and surprised.

  • BAVED: a collection of audio recordings of Arabic words spoken with varying degrees of emotion. The dataset contains seven words: like, unlike, this, file, good, neutral, and bad, which are spoken at three emotional levels: low emotion (tired or feeling down), neutral emotion (the way the speaker speaks daily), and high emotion (positive or negative emotions such as happiness, joy, sadness, anger).

The test set used is a part of the CORAA SER v1.0 that has been set aside for this purpose.

It achieves the following results on the test set:

  • Accuracy: 0.9090
  • Macro Precision: 0.8171
  • Macro Recall: 0.8397
  • Macro F1-Score: 0.8187

Datasets Details

The following image shows the overall distribution of the datasets:

distribution

The following image shows the number of instances by label:

numberInstances

Repository

The repository that implements the model to be trained and tested is avaible here.

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
909a1e8

0 моделей