# 多感情分類

WavLM-Baseを微調整した音声感情識別モデルで、音声を7種類の異なる感情に分類できます。

Whisper-Large V3を基にした音声感情認識モデルで、MSP-Podcastデータセットに最適化されており、9種類の感情分類をサポート

軽量RuBERT-tiny2をファインチューニングしたロシア語感情分類モデルで、5つの感情を識別可能

このモデルはWav2Vec2アーキテクチャをファインチューニングしており、英語音声における6つの感情状態（悲しみ、怒り、嫌悪、恐怖、幸福、中立）を認識するために特別に設計されており、精度は92.42%です。

DistilBERTベースの感情分析モデルで、製品レビューをポジティブ、ネガティブ、またはニュートラルに分類

ModernBERT-baseをファインチューニングした多クラス感情分類モデルで、7種類の感情ラベルを識別可能

これはオーディオスペクトログラムトランスフォーマー（AST）ベースのファインチューニングモデルで、音声オーディオの感情分類に特化しています。

Wav2Vec2アーキテクチャをファインチューニングした英語音声感情認識モデル、6つの感情状態を識別可能

RoBERTaアーキテクチャを基にファインチューニングしたチェコ語感情分類モデルで、6つの感情カテゴリーを識別可能

RoBERTaをファインチューニングしたドイツ語感情分類モデルで、テキストを怒り、恐怖、嫌悪、悲しみ、喜び、およびこれらの感情がないという6つの感情カテゴリーに分類できます。

XLM-RoBERTaベースのドイツ語感情分類モデル、28種類の感情を識別可能

事前学習モデルを微調整した顔表情認識モデルで、8種類の異なる顔表情を効果的に認識できます。

このモデルはファインチューニングされたwav2vec2（ベース）アーキテクチャを使用し、IEMOCAPデータセットでトレーニングされ、音声感情認識タスクに用いられます。

このモデルは英語音声から6つの基本感情（怒り、嫌悪、恐怖、幸福、悲しみ、驚き）を認識するために、RAVDESSデータセットで訓練されました。

WavLMアーキテクチャに基づく音声感情認識のベースラインモデル、8つの基本感情カテゴリを予測

facebook/wav2vec2-baseをファインチューニングしたアラビア語音声感情認識モデルで、評価データセットで99.92%の精度を達成しました。

GoogleのViT-baseモデルをファインチューニングした顔感情認識モデルで、テストセットで91%の精度を達成しました。

shhossain/whisper-tiny-bnをファインチューニングした感情分類モデルで、ベンガル語の7つの基本感情を認識可能

Tencentゲームパートナーの中国語HuBERT事前学習モデルを基に、CASIAデータセットでファインチューニングした中国語音声感情分類モデル。6種類の感情認識をサポート。

テキストベースの感情分類モデルで、怒り、嫌悪、恐怖、喜び、中立、悲しみの6つの感情を識別できます。

ASTアーキテクチャをファインチューニングしたロシア語音声感情分類モデル、7種類の感情状態認識をサポート

Luke-japanese-large-liteをファインチューニングした日本語感情分析モデルで、テキスト中の8種類の感情タイプを識別可能

wav2vec2ベースのドイツ語音声感情検出モデルで、emo-DBデータセットで訓練され、7種類の異なる感情を識別できます。

IndoBERT事前学習モデルに基づく感情分析モデルで、インドネシア語の文章における6種類の感情タイプを予測します。

これはTransformerベースの感情分類モデルで、入力テキストから32種類の異なる感情を識別できます。

facebook/wav2vec2-large-xlsr-53をファインチューニングしたウルドゥー語オーディオ感情分類モデル。怒り、喜び、平静、悲しみの4つの感情認識をサポート

これはXLS-R Wav2Vec2アーキテクチャに基づくロシア語音声感情認識モデルで、7つの基本感情を72%の精度で識別可能です。

DistilBERTを微調整した金融ソーシャルメディア感情分析モデルで、StockTwitsなどのプラットフォームのテキスト感情分析に優れている

XLSR-Wav2Vecアーキテクチャに基づく音声感情認識モデルで、怒り、嫌悪、恐怖、喜び、悲しみの5つの基本的な感情を認識できます。

これはWav2Vec 2.0アーキテクチャに基づくペルシャ語音声感情認識モデルで、6つの基本感情状態を識別できます。

RoBERTaアーキテクチャに基づくテキスト分類モデルで、GoEmotionsデータセットに特化して微調整され、28種類の異なる感情を識別するために使用されます。

このモデルはHubert-Baseアーキテクチャに基づく感情識別モデルで、SUPERB感情識別タスクで訓練され、音声感情分類に使用されます。

DistilBERTベースの軽量感情分析モデル。知識蒸留技術によりBERTの97%の言語理解能力を保持しつつ、モデルサイズを40%削減、推論速度を向上。

Wav2Vec 2.0をファインチューニングした音声感情認識モデルで、8種類の英語感情を識別可能、RAVDESSデータセットで82.23%の精度を達成

このモデルは、GoogleのT5-baseモデルを感情識別データセットで微調整したもので、テキストの感情分類タスクに使用され、テキストを6種類の基本感情に分類できます。

これはWav2Vec2-Largeモデルに基づく感情認識モデルで、音声から感情カテゴリーを識別するために特別に設計されています。

HebEMOは現代ヘブライ語のユーザー生成コンテンツから極性を検出し感情を抽出するツールで、COVID-19関連データセットでトレーニングされています。

HeBERTはヘブライ語に特化した事前学習言語モデルで、極性分析と感情識別タスクに焦点を当てています。

Hubert-Large事前学習モデルをベースにした感情識別モデルで、音声の感情カテゴリを予測するために使用されます。

デンマーク語BERTベースのテキスト感情分類モデルで、デンマーク語テキストを8つの感情カテゴリに分類可能