语言: 中文 数据集:

• superb 标签:
• 语音
• 音频
• wav2vec2
• 音频分类 许可证: apache-2.0 小部件:
• 示例标题: IEMOCAP片段"高兴" 来源: https://cdn-media.huggingface.co/speech_samples/IEMOCAP_Ses01F_impro03_F013.wav
• 示例标题: IEMOCAP片段"中性" 来源: https://cdn-media.huggingface.co/speech_samples/IEMOCAP_Ses01F_impro04_F000.wav

基于Wav2Vec2的情感识别模型

模型描述

这是S3PRL的Wav2Vec2用于SUPERB情感识别任务的移植版本。

基础模型是wav2vec2-base，该模型在16kHz采样的语音音频上进行了预训练。使用该模型时，请确保您的语音输入也是以16kHz采样的。

更多信息请参考SUPERB: 语音处理通用性能基准

任务和数据集描述

情感识别（ER）为每个话语预测一个情感类别。采用最广泛使用的ER数据集IEMOCAP，并遵循常规评估协议：我们丢弃不平衡的情感类别，保留最终四个类别，数据点数量相近，并在标准分割的五折上进行交叉验证。

原始模型的训练和评估说明请参考S3PRL下游任务README。

使用示例

您可以通过音频分类管道使用该模型：

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "er", split="session1")

classifier = pipeline("audio-classification", model="superb/wav2vec2-base-superb-er")
labels = classifier(dataset[0]["file"], top_k=5)

或者直接使用模型：

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor

def map_to_array(example):
    speech, _ = librosa.load(example["file"], sr=16000, mono=True)
    example["speech"] = speech
    return example

# 加载演示数据集并读取音频文件
dataset = load_dataset("anton-l/superb_demo", "er", split="session1")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-base-superb-er")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-base-superb-er")

# 计算注意力掩码并在需要时归一化波形
inputs = feature_extractor(dataset[:4]["speech"], sampling_rate=16000, padding=True, return_tensors="pt")

logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, dim=-1)
labels = [model.config.id2label[_id] for _id in predicted_ids.tolist()]

评估结果

评估指标为准确率。

BibTeX条目和引用信息

@article{yang2021superb,
  title={SUPERB: 语音处理通用性能基准},
  author={杨书文 and 纪伯翰 and 庄永松 and 赖正一 Jeff and 拉克霍提亚, 库沙尔 and 林毅 and 刘安迪 and 石家同 and 常轩凯 and 林冠廷 and 其他},
  journal={arXiv预印本 arXiv:2105.01051},
  year={2021}
}