/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

xlsr-wav2vec-speech-emotion-recognition

Классификация аудиоАудио → label3 профессии

Модель на основе Wav2Vec2 классифицирует английскую речь по пяти эмоциональным категориям.

502скачиваний за 30 дней67лайковвеса обновлены12 дек 2021

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

harshit345/xlsr-wav2vec-speech-emotion-recognition — модель классификации эмоций в речи на основе архитектуры Wav2Vec2; по карточке она распознаёт пять классов: гнев, отвращение, страх, радость и грусть. Модель принимает аудио и выдаёт оценки принадлежности записи к эмоциональным классам. В примере README для одной записи наибольшую оценку получил гнев.

Модель содержит 402,7 млн параметров, распространяется в формате PyTorch и связана с датасетом AESDD. Она предназначена для определения эмоциональной окраски речи, например для анализа записей разговоров. Указанный в карточке язык — английский.

Лицензия — Apache-2.0. Оценка качества в README приведена лишь частично: показаны метрики для трёх классов, поэтому по этим сведениям нельзя судить о качестве на всех классах и на данных вне использованного датасета.

Сценарии применения

  • определение эмоций в аудиозаписях речи
  • анализ эмоциональной окраски разговоров
  • разметка речевых записей по классам эмоций

Ограничения

Карточка приводит метрики только для части эмоциональных классов; качество на остальных классах и вне датасета AESDD не установлено. Модель классифицирует эмоциональные категории и не предназначена для транскрибирования речи.

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
# requirement packages
!pip install git+https://github.com/huggingface/datasets.git
!pip install git+https://github.com/huggingface/transformers.git
!pip install torchaudio
!pip install librosa

prediction

import torch
import torch.nn as nn
import torch.nn.functional as F
import torchaudio
from transformers import AutoConfig, Wav2Vec2FeatureExtractor
import librosa
import IPython.display as ipd
import numpy as np
import pandas as pd
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model_name_or_path = "harshit345/xlsr-wav2vec-speech-emotion-recognition"
config = AutoConfig.from_pretrained(model_name_or_path)
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(model_name_or_path)
sampling_rate = feature_extractor.sampling_rate
model = Wav2Vec2ForSpeechClassification.from_pretrained(model_name_or_path).to(device)
def speech_file_to_array_fn(path, sampling_rate):
    speech_array, _sampling_rate = torchaudio.load(path)
    resampler = torchaudio.transforms.Resample(_sampling_rate)
    speech = resampler(speech_array).squeeze().numpy()
    return speech
def predict(path, sampling_rate):
    speech = speech_file_to_array_fn(path, sampling_rate)
    inputs = feature_extractor(speech, sampling_rate=sampling_rate, return_tensors="pt", padding=True)
    inputs = {key: inputs[key].to(device) for key in inputs}
    with torch.no_grad():
        logits = model(**inputs).logits
    scores = F.softmax(logits, dim=1).detach().cpu().numpy()[0]
    outputs = [{"Emotion": config.id2label[i], "Score": f"{round(score * 100, 3):.1f}%"} for i, score in enumerate(scores)]
    return outputs

prediction

# path for a sample
path = '/data/jtes_v1.1/wav/f01/ang/f01_ang_01.wav'   
outputs = predict(path, sampling_rate)
[{'Emotion': 'anger', 'Score': '78.3%'},
 {'Emotion': 'disgust', 'Score': '11.7%'},
 {'Emotion': 'fear', 'Score': '5.4%'},
 {'Emotion': 'happiness', 'Score': '4.1%'},
 {'Emotion': 'sadness', 'Score': '0.5%'}]

Evaluation

The following tables summarize the scores obtained by model overall and per each class.

Emotionsprecisionrecallf1-scoreaccuracy
anger0.821.000.81
disgust0.850.960.85
fear0.780.880.80
happiness0.840.710.78
sadness0.861.000.79
Overall0.806

Colab Notebook https://colab.research.google.com/drive/1aPPb_ZVS5dlFVZySly8Q80a44La1XjJu?usp=sharing

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForSpeechClassification
Ревизия весов
7fd191e

0 моделей