🚀 音频分类模型

该模型是为2024年奥德赛情感识别竞赛基线而设计，在 MSP-Podcast 数据集上进行训练。此特定模型是基于多属性的模型，可预测唤醒度、支配度和效价，预测范围约为0到1。

🚀 快速开始

本模型可用于音频情感识别相关任务，通过输入音频，能够预测其唤醒度、支配度和效价。

✨ 主要特性

• 基于 MSP-Podcast 数据集训练，适用于奥德赛2024情感识别竞赛基线。
• 多属性模型，可同时预测唤醒度、支配度和效价，范围约为0到1。

📚 详细文档

基准测试

基于奥德赛竞赛的Test3和开发集的CCC（一致性相关系数）：

更多详细信息可参考：演示、论文 和 GitHub。

BibTeX引用

@InProceedings{Goncalves_2024,
            author={L. Goncalves and A. N. Salman and A. {Reddy Naini} and L. Moro-Velazquez and T. Thebaud and L. {Paola Garcia} and N. Dehak and B. Sisman and C. Busso},
            title={Odyssey2024 - Speech Emotion Recognition Challenge: Dataset, Baseline Framework, and Results},
            booktitle={Odyssey 2024: The Speaker and Language Recognition Workshop)},
            volume={To appear},
            year={2024},
            month={June},
            address =  {Quebec, Canada},
}

💻 使用示例

基础用法

from transformers import AutoModelForAudioClassification
import librosa, torch

#load model
model = AutoModelForAudioClassification.from_pretrained("3loi/SER-Odyssey-Baseline-WavLM-Multi-Attributes", trust_remote_code=True)

#get mean/std
mean = model.config.mean
std = model.config.std


#load an audio file
audio_path = "/path/to/audio.wav"
raw_wav, _ = librosa.load(audio_path, sr=model.config.sampling_rate)

#normalize the audio by mean/std
norm_wav = (raw_wav - mean) / (std+0.000001)

#generate the mask
mask = torch.ones(1, len(norm_wav))

#batch it (add dim)
wavs = torch.tensor(norm_wav).unsqueeze(0)


#predict
with torch.no_grad():
    pred = model(wavs, mask)

print(model.config.id2label) 
print(pred)
#{0: 'arousal', 1: 'dominance', 2: 'valence'}
#tensor([[0.3670, 0.4553, 0.4240]])

📄 许可证

本模型使用MIT许可证。