Beyond Words: Extracting Emotions from Speech with AI Techniques
Notice bibliographique
Résumé
Emotions are important in daily life because they affect how individuals act, think, and react in a variety of circumstances. Thanks to current advances in Artificial Intelligence (AI), we can train machines to effectively understand and predict human emotions. AI based on; Speech Emotion Recognition (SER) helps in human-computer interaction. Devices like Smart Home Assistants can provide useful feedback thanks to the voice emotion recognition technology and the need to stay at home for a long time. This paper's main objective is to use machine learning and deep learning methods to analyse speech's emotional states. Random Forest, 1-D, and 2-D Convolutional Neural Network (CNN) are used to construct a high-quality voice emotion identification system. This method identifies seven different emotions: neutral, joyful, sad, furious, fearful, repulsed, and surprised. a standard dataset for emotion categorization used for training and testing that combines the Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS) and Toronto Emotional Speech Set (TESS). To extract features from our sound wave data, we worked with Mel-frequency cepstral coefficient (MFCC) and Mel Spectrogram techniques using a python audio processing library called Librosa. 85.6%, 96.6% ± 1.5% and 98.4% ± 1.43% classification accuracies were obtained using Random Forest, 1-D CNN and 2-D CNN respectively. This research concludes that, 2-D CNN classification model can be effectively used to train machines to understand and predict human emotions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».