/ Модель

Характеристики

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

wav2vec2-lg-xlsr-en-speech-emotion-recognition

Классификация текстаТекст → label3 профессии

Модель на базе Wav2Vec2 классифицирует англоязычную речь по восьми эмоциональным категориям.

15 898скачиваний за 30 дней259лайковвеса обновлены24 окт 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

ehcalabres/wav2vec2-lg-xlsr-en-speech-emotion-recognition — модель распознавания эмоций в речи, созданная дообучением jonatasgrosman/wav2vec2-large-xlsr-53-english на наборе RAVDESS. Она использует архитектуру Wav2Vec2ForSequenceClassification и классифицирует аудиозаписи на восемь эмоциональных категорий: гнев, спокойствие, отвращение, страх, радость, нейтральное состояние, грусть и удивление. Модель подходит для анализа эмоциональной окраски англоязычных речевых записей; в README указаны точность 0,8223 и ошибка 0,5023 на оценочной выборке.

Модель содержит около 402,7 млн параметров, распространяется в форматах PyTorch и Safetensors и доступна по лицензии Apache-2.0. Она принимает аудио и выдаёт метки классов эмоций. Обучение проводилось на 1440 записях актёров из RAVDESS, поэтому результаты на естественной речи, других языках и вне условий обучающего набора могут отличаться.

Сценарии применения

  • определение эмоций в англоязычных речевых записях
  • анализ эмоционального тона голоса в диалогах
  • разметка аудиозаписей по категориям эмоций
  • исследование эмоциональной выразительности речи

Ограничения

Обучение проводилось на 1440 актёрских записях RAVDESS на английском языке, поэтому качество на естественной речи и других языках может отличаться. В README указаны точность 0,8223 и ошибка 0,5023 на оценочной выборке.

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 By Fine-Tuning Wav2Vec 2.0

The model is a fine-tuned version of jonatasgrosman/wav2vec2-large-xlsr-53-english for a Speech Emotion Recognition (SER) task.

The dataset used to fine-tune the original pre-trained model is the RAVDESS dataset. This dataset provides 1440 samples of recordings from actors performing on 8 different emotions in English, which are:

emotions = ['angry', 'calm', 'disgust', 'fearful', 'happy', 'neutral', 'sad', 'surprised']

It achieves the following results on the evaluation set:

  • Loss: 0.5023
  • Accuracy: 0.8223

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 4
  • eval_batch_size: 4
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 8
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossAccuracy
2.07520.21302.05050.1359
2.01190.42601.93400.2474
1.80730.63901.51690.3902
1.54180.841201.23730.5610
1.14321.051501.15790.5610
0.96451.261800.96100.6167
0.88111.472100.80630.7178
0.87561.682400.73790.7352
0.82081.892700.68390.7596
0.71182.13000.66640.7735
0.42612.313300.60580.8014
0.43942.523600.57540.8223
0.45812.723900.47190.8467
0.39672.934200.50230.8223

Citation

@misc {enrique_hernández_calabrés_2024,
	author       = { {Enrique Hernández Calabrés} },
	title        = { wav2vec2-lg-xlsr-en-speech-emotion-recognition (Revision 17cf17c) },
	year         = 2024,
	url          = { https://huggingface.co/ehcalabres/wav2vec2-lg-xlsr-en-speech-emotion-recognition },
	doi          = { 10.57967/hf/2045 },
	publisher    = { Hugging Face }
}

Contact

Any doubt, contact me on Twitter.

Framework versions

  • Transformers 4.8.2
  • Pytorch 1.9.0+cu102
  • Datasets 1.9.0
  • Tokenizers 0.10.3

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
b520c9c

0 моделей