/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base-960h
Опубликована
12 июл 2026

wav2vec2-ser-ravdess-optimized

Классификация текстаТекст → label3 профессии

Модель wav2vec 2.0 определяет одну из восьми эмоций в английской речи.

73скачиваний за 30 дней0лайковвеса обновлены15 июл 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

sbh013/wav2vec2-ser-ravdess-optimized — модель распознавания эмоций в речи, созданная дообучением facebook/wav2vec2-base-960h на датасете RAVDESS. Она принимает аудио и относит его к одному из восьми классов: angry, calm, disgust, fearful, happy, neutral, sad или surprised. Архитектура wav2vec 2.0 содержит 113,3 млн параметров; в репозитории указаны веса в формате safetensors. На тесте с тремя дикторами, не встречавшимися при обучении, модель достигла точности 68,3% и macro F1 0,676.

Она подходит для экспериментов и анализа эмоциональной окраски английской речи. Модель обучалась и оценивалась только на постановочной английской речи студийного качества, поэтому результаты на спонтанной речи и записях с обычных микрофонов могут отличаться. Класс sad распознаётся хуже остальных и часто смешивается с fearful и neutral. Лицензия — Apache-2.0.

Сценарии применения

  • классификация эмоций в английских аудиозаписях
  • анализ эмоциональной окраски реплик
  • эксперименты по распознаванию эмоций в речи
  • разметка эмоций в постановочной речи

Ограничения

Обучена и оценена только на постановочной английской речи студийного качества; качество на спонтанной речи и записях с обычных микрофонов может отличаться. Эмоцию sad модель распознаёт хуже всего и часто путает с fearful и neutral.

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-ser-ravdess-optimized

facebook/wav2vec2-base-960h fine-tuned for 8-class speech emotion recognition on RAVDESS.

  • Test accuracy: 68.3% (speaker-independent — evaluated on 3 actors never seen during training)
  • Macro F1: 0.676
  • Labels: angry, calm, disgust, fearful, happy, neutral, sad, surprised

Code and full writeup: https://github.com/sbhardwaj1304/Speech-Emotion-Recognition

Usage

import torch
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor

MODEL_ID = "sbh013/wav2vec2-ser-ravdess-optimized"
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForSequenceClassification.from_pretrained(MODEL_ID)
model.eval()

import librosa
waveform, _ = librosa.load("speech.wav", sr=16000, mono=True)
inputs = feature_extractor(waveform, sampling_rate=16000, return_tensors="pt", padding=True)

with torch.no_grad():
    probs = torch.softmax(model(**inputs).logits, dim=-1).squeeze().numpy()

id2label = model.config.id2label
print({id2label[i]: float(probs[i]) for i in range(len(probs))})

Training details

SettingValue
Backbonefacebook/wav2vec2-base-960h
CNN feature encoderFrozen
Epochs25
LR (encoder / head)2e-5 / 5e-5
Batch size8, grad accumulation 2 (effective 16)
LR scheduleCosine, 6% warmup
Class weightsInverse frequency, extra boost on sad/angry
AugmentationNoise, gain, small time shift (70% of training batches)
Precisionfp32
SplitSpeaker-independent — 19 train / 2 val / 3 test actors

Per-class results (test set)

EmotionPrecisionRecallF1
angry0.9170.4580.611
calm0.8100.7080.756
disgust0.9470.7500.837
fearful0.6790.7920.731
happy0.5000.8330.625
neutral0.5880.8330.690
sad0.5000.2920.368
surprised0.7240.8750.793

Limitations

  • Trained and evaluated only on RAVDESS (acted, English, studio-quality speech) — real-world microphone conditions and spontaneous (non-acted) speech may perform differently.
  • sad is the weakest class, frequently confused with fearful and neutral.

Citation

  • Livingstone, S. R., & Russo, F. A. (2018). The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). PLoS ONE, 13(5).
  • Baevski, A., Zhou, H., Mohamed, A., & Auli, M. (2020). wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations. NeurIPS.

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
55a3088

0 моделей