SER Odyssey Baseline WavLM Arousal

🚀 音声感情認識モデル（Arousal予測）

このモデルは、Odyssey 2024 Emotion Recognitionコンペティションのベースラインとして、MSP-Podcast データセットを使用して学習されました。このモデルは、単一タスクの特殊なarousalモデルで、arousalをおよそ0...1の範囲で予測します。

✨ 主な機能

• 音声のarousalを高精度に予測します。
• MSP-Podcastデータセットを使用して学習されています。
• Odyssey 2024 Emotion Recognitionコンペティションのベースラインとして利用できます。

📚 ドキュメント

ベンチマーク

OdysseyコンペティションのTest3と開発セットに基づくCCC（Concordance Correlation Coefficient）です。

詳細については、デモ、論文、および GitHub を参照してください。

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},
}

💻 使用例

基本的な使用法

from transformers import AutoModelForAudioClassification
import librosa, torch

#load model
model = AutoModelForAudioClassification.from_pretrained("3loi/SER-Odyssey-Baseline-WavLM-Arousal", 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'}
#tensor([[0.3670]])

📄 ライセンス

このモデルはMITライセンスの下で提供されています。