Wav2vec2 Xls R 300m Emotion Ru

🚀 语音情感识别模型

该模型是基于 facebook/wav2vec2-xls-r-300m 微调而来，用于语音情感识别（SER）任务。它能够对俄语语音中的情感进行分类，为语音交互场景提供情感分析支持。

🚀 快速开始

本模型可用于语音情感识别任务，下面将介绍如何使用它。

✨ 主要特性

• 微调模型：基于预训练的 facebook/wav2vec2-xls-r-300m 模型进行微调，以适应语音情感识别任务。
• 多情感分类：能够识别五种情感类型，包括中性、积极、愤怒、悲伤和其他。
• 俄语支持：使用俄语语音数据集进行训练，适用于俄语语音的情感识别。

📦 安装指南

文档未提及具体安装步骤，可参考 transformers 库的安装方法来安装所需依赖。

💻 使用示例

基础用法

from transformers.pipelines import pipeline

pipe = pipeline(model="KELONMYOSA/wav2vec2-xls-r-300m-emotion-ru", trust_remote_code=True)

# The pipeline input can be a file, path or link
result = pipe("speech.wav")
print(result)

高级用法

import librosa
import torch
import torch.nn.functional as F
from transformers import AutoConfig, Wav2Vec2Processor, AutoModelForAudioClassification

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model_name_or_path = "KELONMYOSA/wav2vec2-xls-r-300m-emotion-ru"
config = AutoConfig.from_pretrained(model_name_or_path)
processor = Wav2Vec2Processor.from_pretrained(model_name_or_path)
sampling_rate = processor.feature_extractor.sampling_rate
model = AutoModelForAudioClassification.from_pretrained(model_name_or_path, trust_remote_code=True).to(device)


def predict(path):
    speech, sr = librosa.load(path, sr=sampling_rate)
    features = processor(speech, sampling_rate=sampling_rate, return_tensors="pt", padding=True)

    input_values = features.input_values.to(device)
    attention_mask = features.attention_mask.to(device)

    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits

    scores = F.softmax(logits, dim=1).detach().cpu().numpy()[0]
    outputs = [{"label": config.id2label[i], "score": round(score, 5)} for i, score in
               enumerate(scores)]
    return outputs


print(predict("speech.wav"))

运行上述代码后，输出示例如下：

[{'label': 'neutral', 'score': 0.00318}, {'label': 'positive', 'score': 0.00376}, {'label': 'sad', 'score': 0.00145}, {'label': 'angry', 'score': 0.98984}, {'label': 'other', 'score': 0.00176}]

📚 详细文档

数据集

用于微调预训练模型的数据集是 DUSHA 数据集。该数据集包含约 125,000 条俄语音频记录，涵盖了与虚拟助手对话中常见的四种基本情感：快乐（积极）、悲伤、愤怒和中性情感。

情感标签

emotions = ['neutral', 'positive', 'angry', 'sad', 'other']

🔧 技术细节

评估结果

该模型在评估中取得了以下结果：

• 训练损失：0.528700
• 验证损失：0.349617
• 准确率：0.901369

📄 许可证

本项目采用 Apache-2.0 许可证。