A Deep Learning Approach Toward Analyzing the Cross‐Lingual Acoustic‐Phonetic Similarities in Multilingual Speech Emotion Recognition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study uses deep learning to explore the influence of phonetic similarities across languages on multilingual SER systems in diverse linguistic contexts. A deep convolutional neural network (DCNN) model was employed to evaluate the performance of speech emotion detection in a multilingual context. Experimented datasets are the SUST Bangla Emotional Speech Corpus (SUBESCO), Indian Institute of Technology Kharagpur Simulated Emotion Hindi Speech Corpus (IITKGP‐SEHSC), SIT Bhubaneswar‐Odia Speech Emotion Database (SITB‐OSED), Ryerson Audio‐Visual Database of Emotional Speech and Song (RAVDESS), and EmoDB datasets of Bangla, Hindi, Odia, English, and German languages, respectively. Here, Bangla, Hindi, and Odia are of the Indo‐Aryan language family and English and German are of the Germanic. A baseline monolingual experiment was performed first to evaluate the models, and then cross‐lingual and multilingual experiments were carried out. The experimental results reveal that the models can recognize emotions of multiple language speech of the same linguistic family better than language speech from different families. The DCNN model achieved the highest multilingual emotion recognition accuracy of 83% for Indo‐Aryan languages, 79% for Germanic languages, and 73% when both language families were combined. These results suggest that phonetic similarities within the same language family improve recognition accuracy.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle