计算机科学 > 声音
[提交于 2025年7月4日
(v1)
,最后修订 2025年7月10日 (此版本, v2)]
标题: 通过频谱学习和注意力实现高效的语音情感识别
标题: Toward Efficient Speech Emotion Recognition via Spectral Learning and Attention
摘要: 语音情感识别(SER)传统上依赖于听觉数据分析来进行情感分类。 一些研究采用了不同的方法进行SER。 然而,现有的SER方法往往难以捕捉细微的情感变化,并在不同数据集之间泛化。 在本文中,我们使用梅尔频率倒谱系数(MFCCs)作为频谱特征,以弥合计算情感处理与人类听觉感知之间的差距。 为了进一步提高鲁棒性和特征多样性,我们提出了一种基于1D-CNN的新型SER框架,该框架集成了数据增强技术。 从增强数据中提取的MFCC特征通过一个结合了通道和空间注意力机制的1D卷积神经网络(CNN)架构进行处理。 这些注意力模块使模型能够突出关键的情感模式,增强其捕捉语音信号中细微变化的能力。 所提出的方法实现了最先进的性能,在SAVEE上的准确率为97.49%,在RAVDESS上的准确率为99.23%,在CREMA-D上的准确率为89.31%,在TESS上的准确率为99.82%,在EMO-DB上的准确率为99.53%,在EMOVO上的准确率为96.39%。 实验结果展示了SER的新基准,证明了我们的方法在高精度识别情感表达方面的有效性。 我们的评估表明,先进深度学习(DL)方法的集成显著提高了在不同数据集上的泛化能力,突显了它们在辅助技术和人机交互中的实际部署中推进SER的潜力。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.