通过神经网络和多个数据集来识别音频文件中蕴含的情绪

来自多个数据集的音频情感分类 执行摘要 该项目提出了一种深度学习分类器，该分类器能够预测以音频文件编码的人类说话者的情绪。 使用2个不同的数据集RAVDESS和TESS对分类器进行训练，并且在8个班级（中立，平静，快乐，悲伤，愤怒，恐惧，厌恶和惊讶）上，F1的总体得分为80％。 功能集信息 对于此任务，使用来自以下位置的5252个样本构建数据集： 样本包括： 来自RAVDESS的1440个语音文件和1012个歌曲文件。 该数据集包括24位专业演员的录音（12位女性，12位男性），用中性的北美口音表达了两个词法匹配的陈述。 言语包括镇定，快乐，悲伤，愤怒，恐惧，惊奇和令人厌恶的表情，而歌曲则包含镇定，快乐，悲伤，愤怒和恐惧的情绪。 每个文件在情感效度，强度和真实性方面均被评定10次。 评分由247位个人提供，这些都是来自北美未经训练的成人研究参与者的特征。 另有72名参与者提供了重测数据