懂AI
wav2vec2-large-robust-12-ft-emotion-msp-dim

wav2vec2-large-robust-12-ft-emotion-msp-dim

基于Wav2vec 2.0的多维语音情感识别模型

该模型基于Wav2vec 2.0技术，通过在MSP-Podcast数据集上微调Wav2Vec2-Large-Robust模型实现。它能够处理原始音频信号，识别语音中的唤醒度、支配度和效价三个维度，输出0-1范围内的情感预测结果。此外，模型还提供最后一个transformer层的池化状态，为语音情感分析研究提供了有力支持。

Wav2vec 2.0Huggingface模型语音情感识别音频分类Github开源项目神经网络模型MSP-Podcast
GitHubHugging Face论文

项目介绍

这个项目介绍了一个基于Wav2vec 2.0的多维度语音情感识别模型。该模型由audeering公司开发，是一个专门用于研究目的的模型。它能够从原始音频信号中预测出激励度(arousal)、支配度(dominance)和效价(valence)三个维度的情感特征，输出值范围大约在0到1之间。

模型特点

  1. 该模型是在Facebook的Wav2Vec2-Large-Robust模型基础上进行微调得到的。

  2. 训练数据集使用的是MSP-Podcast(v1.7)。

  3. 在微调之前，模型被剪枝从24个transformer层减少到12个层。

  4. 除了输出情感预测结果，模型还能提供最后一个transformer层的池化状态。

  5. 模型的ONNX格式导出版本可以在Zenodo平台上获取。

使用方法

该项目提供了详细的Python代码示例，展示了如何使用这个模型进行情感预测和特征提取。主要步骤包括：

  1. 导入必要的库和模型类。

  2. 从Hugging Face模型库加载预训练的模型和处理器。

  3. 准备输入音频信号。

  4. 定义处理函数，该函数可以根据需要输出情感预测结果或提取嵌入特征。

  5. 调用处理函数，获取结果。

注意事项

  1. 这个模型仅供研究使用，如需商业用途，需要联系audeering公司获取商业许可。

  2. 模型期望输入的是原始音频信号。

  3. 输出结果包括激励度、支配度和效价三个维度的预测值。

  4. 模型还可以输出最后一个transformer层的池化状态，这可能对其他下游任务有用。

技术细节

  1. 模型架构包括一个Wav2Vec2Model作为基础，加上一个回归头(RegressionHead)用于情感预测。

  2. 回归头包含一个密集层、dropout层和输出投影层。

  3. 模型的前向传播过程包括通过Wav2Vec2Model提取特征，然后对特征进行平均池化，最后通过回归头得到最终预测结果。

  4. 代码示例中还展示了如何处理输入信号，包括使用处理器进行规范化，以及如何在CPU或其他设备上运行模型。

这个项目为研究人员提供了一个强大的工具，用于探索语音情感识别领域。通过提供详细的使用说明和代码示例，项目降低了研究者的使用门槛，有助于推动相关领域的研究进展。

编辑推荐精选

蛙蛙写作

蛙蛙写作

AI小说写作助手，一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

下拉加载更多