/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
wavlm-large
Опубликована
11 июн 2025

wavlm-large-msp-podcast-emotion-dim

Классификация аудиоАудио → label3 профессии

Дообученная WavLM Large оценивает по аудио речи возбуждение, валентность и доминирование говорящего.

1 175скачиваний за 30 дней5лайковвеса обновлены10 авг 2025

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 tiantiaf/wavlm-large-msp-podcast-emotion-dim — дообученная версия WavLM Large, созданная для классификации эмоциональных характеристик речи. Она реализует подход к оценке эмоциональных измерений из бенчмарка Vox-Profile и использует речевую систему SAILER, занявшую первое место в INTERSPEECH 2025 Speech Emotion Challenge. Для прогнозирования модель использует аудио без транскрипта.

На выходе — три оценки от 0 до 1: возбуждение (от спокойного до активного состояния), валентность (от негативного до позитивного) и доминирование (от слабого до сильного состояния). Модель обучена на данных MSP-Podcast и может быть полезна для анализа эмоций в подкастах и другом интернет-контенте. Разработчик предупреждает, что прогнозы могут зависеть от содержания речи. Лицензия — OpenRAIL.

Сценарии применения

  • оценка эмоциональной окраски речи в подкастах
  • анализ эмоциональных характеристик аудио без транскрипции
  • измерение уровня возбуждения говорящего
  • оценка позитивной или негативной валентности речи
  • оценка доминирования в голосовом контенте

Ограничения

Прогнозы могут зависеть от содержания речи. Модель обучена на MSP-Podcast, поэтому её надёжность на других типах аудио отдельно не подтверждена.

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

wavlm-large for Dimensional Emotion Classification

Model Description

This model includes the implementation of dimensional emotion classification described in Vox-Profile: A Speech Foundation Model Benchmark for Characterizing Diverse Speaker and Speech Traits (https://arxiv.org/pdf/2505.14648)

The training pipeline used is also the top-performing solution (SAILER) in INTERSPEECH 2025—Speech Emotion Challenge (https://lab-msp.com/MSP-Podcast_Competition/IS2025/). Note that we did not use the transcript compared to our official challenge submission system, and we created a speech-only system to make the model simple but still effective.

We use the MSP-Podcast data to train this model, noting that the model might be sensitive to content information when making emotion predictions. However, this could be a good feature for classifying emotions from online content.

The outputs are in the range of 0-1 for:

How to use this model

Download repo

git clone git@github.com:tiantiaf0627/vox-profile-release.git

Install the package

conda create -n vox_profile python=3.8
cd vox-profile-release
pip install -e .

Load the model

# Load libraries
import torch
import torch.nn.functional as F
from src.model.emotion.wavlm_emotion_dim import WavLMWrapper
# Find device
device = torch.device("cuda") if torch.cuda.is_available() else "cpu"
# Load model from Huggingface
model = WavLMWrapper.from_pretrained("tiantiaf/wavlm-large-msp-podcast-emotion-dim").to(device)
model.eval()

Prediction

# Load data, here just zeros as the example
# Our training data filters output audio shorter than 3 seconds (unreliable predictions) and longer than 15 seconds (computation limitation)
# So you need to prepare your audio to a maximum of 15 seconds, 16kHz and mono channel
max_audio_length = 15 * 16000
data = torch.zeros([1, 16000]).float().to(device)[:, :max_audio_length]
arousal, valence, dominance = model(data)

If you have any questions, please contact: Tiantian Feng (tiantiaf@usc.edu)

Kindly cite our paper if you are using our model or find it useful in your work

@article{feng2025vox,
  title={Vox-Profile: A Speech Foundation Model Benchmark for Characterizing Diverse Speaker and Speech Traits},
  author={Feng, Tiantian and Lee, Jihwan and Xu, Anfeng and Lee, Yoonjeong and Lertpetchpun, Thanathai and Shi, Xuan and Wang, Helin and Thebaud, Thomas and Moro-Velazquez, Laureano and Byrd, Dani and others},
  journal={arXiv preprint arXiv:2505.14648},
  year={2025}
}

Responsible use of the Model: the Model is released under Open RAIL license, and users should respect the privacy and consent of the data subjects, and adhere to the relevant laws and regulations in their jurisdictions in using our model.

❌ Out-of-Scope Use

  • Clinical or diagnostic applications
  • Surveillance
  • Privacy-invasive applications
  • No commercial use

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
348ce81

0 моделей