语言: 中文 数据集:

• 超级语音库 标签:
• 语音
• 音频
• 胡伯特模型
• 音频分类 示例:
• 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 许可协议: Apache-2.0

基于Hubert-Large的情感识别模型

模型说明

本模型是S3PRL情感识别任务中Hubert模型的移植版本。

基础模型采用hubert-large-ll60k，该模型基于16kHz采样的语音音频进行预训练。使用时请确保输入语音同样采用16kHz采样率。

更多信息请参阅论文SUPERB：语音处理通用性能基准

任务与数据集说明

情感识别(ER)任务旨在预测每段语音的情感类别。采用广泛使用的IEMOCAP数据集，遵循标准评估协议：剔除数据量不平衡的情感类别，最终保留四个数据量相近的情感类别，并在标准划分的五个折叠上进行交叉验证。

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

可通过音频分类管道使用：

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/hubert-large-superb-er")
labels = classifier(dataset[0]["file"], top_k=5)

或直接调用模型：

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

def 音频转数组(示例):
    语音数据, _ = librosa.load(示例["文件"], sr=16000, mono=True)
    示例["语音"] = 语音数据
    return 示例

# 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(音频转数组)

model = HubertForSequenceClassification.from_pretrained("superb/hubert-large-superb-er")
特征提取器 = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-large-superb-er")

# 计算注意力掩码并按需标准化波形
inputs = 特征提取器(dataset[:4]["语音"], sampling_rate=16000, padding=True, return_tensors="pt")

logits = model(**inputs).logits
预测结果 = torch.argmax(logits, dim=-1)
标签 = [model.config.id2label[编号] for 编号 in 预测结果.tolist()]

评估结果

评估指标为准确率。

文献引用信息

@article{yang2021superb,
  title={SUPERB：语音处理通用性能基准},
  author={杨书文、迟博汉、庄永松、赖正一等},
  journal={arXiv预印本 arXiv:2105.01051},
  year={2021}
}