/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
4 мар 2024

Speech_Emotion_Recognition_wav2vec2-large-xlsr-53_240304_SER_fine-tuned2.0

Классификация текстаТекст → label3 профессии

Дообученная модель Wav2Vec2 классифицирует речь по семи эмоциональным категориям.

346скачиваний за 30 дней3лайкавеса обновлены22 мар 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

Модель разработана hughlan1214 для распознавания эмоций в речи. Это дообученная для классификации аудио модель на архитектуре Wav2Vec2ForSequenceClassification, основанная на facebook/wav2vec2-large-xlsr-53; число параметров — 402,7 млн. Она относит речь к одному из семи классов: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Модель предназначена для анализа эмоциональной окраски аудиозаписей и может служить компонентом систем, оценивающих состояние пользователя в реальном времени.

Обучение проводилось на английских наборах CREMA, RAVDESS, SAVEE и TESS, суммарно содержащих более 12 000 аудиофайлов; данные разделили на обучающую и оценочную части в пропорции 70/30. В README сообщается о тестировании на китайской и французской речи, однако обучение велось только на английских данных. На оценочном наборе точность составила 0,6731, F1 — 0,6738. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • классификация эмоций в аудиозаписях речи
  • анализ эмоциональной окраски речи в диалогах
  • определение эмоциональных реакций пользователя в голосовых интерфейсах
  • разметка эмоциональных классов в англоязычных речевых данных

Ограничения

Обучение проводилось только на английских данных, а заявленные результаты для китайского и французского не сопровождаются метриками. На оценочном наборе точность составила 0,6731, поэтому предсказания могут быть ошибочными.

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

SER_wav2vec2-large-xlsr-53_240304_fine-tuned_2

This model is a fine-tuned version of hughlan1214/SER_wav2vec2-large-xlsr-53_240304_fine-tuned1.1 on a Speech Emotion Recognition (en) dataset.

This dataset includes the 4 most popular datasets in English: Crema, Ravdess, Savee, and Tess, containing a total of over 12,000 .wav audio files. Each of these four datasets includes 6 to 8 different emotional labels.

This achieves the following results on the evaluation set:

  • Loss: 1.0601
  • Accuracy: 0.6731
  • Precision: 0.6761
  • Recall: 0.6794
  • F1: 0.6738

Model description

The model was obtained through feature extraction using facebook/wav2vec2-large-xlsr-53 and underwent several rounds of fine-tuning. It predicts the 7 types of emotions contained in speech, aiming to lay the foundation for subsequent use of human micro-expressions on the visual level and context semantics under LLMS to infer user emotions in real-time.

Although the model was trained on purely English datasets, post-release testing showed that it also performs well in predicting emotions in Chinese and French, demonstrating the powerful cross-linguistic capability of the facebook/wav2vec2-large-xlsr-53 pre-trained model.

emotions = ['angry', 'disgust', 'fear', 'happy', 'neutral', 'sad', 'surprise']

Intended uses & limitations

More information needed

Training and evaluation data

70/30 of entire dataset.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 8
  • eval_batch_size: 4
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 10

Training results

Training LossEpochStepValidation LossAccuracyPrecisionRecallF1
0.89041.010481.19230.57730.61620.55630.5494
1.13942.020961.01430.60710.64810.61890.6057
0.93733.031441.05850.61260.62960.62540.6119
0.74054.041920.95800.65140.67320.65620.6576
1.16385.052400.99400.64860.64850.66270.6435
0.67416.062881.03070.66280.67100.67110.6646
0.6047.073361.02480.66670.66780.67510.6682
0.68358.083841.03960.67220.68030.67900.6743
0.54219.094321.04930.67140.67650.67850.6736
0.572810.0104801.06010.67310.67610.67940.6738

Framework versions

  • Transformers 4.38.1
  • Pytorch 2.2.1
  • Datasets 2.17.1
  • Tokenizers 0.15.2

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
504dff5

0 моделей