Audio Emotion Detection Application Utilizing AWS Cloud
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
Introduction: Many applications today seek to understand user emotions through audio data, enhancing user engagement and experience. However, existing systems often lack the efficiency needed for real-time processing and accurate emotion detection. Developing a system that detects emotions from audio file uploads necessitates an infrastructure that can scale to meet user demands, ensure secure data processing, and integrate artificial intelligence services for emotion analysis. The key challenge is to design a cloud architecture that is scalable, secure, cost-efficient, and capable of analyzing emotions in audio files while delivering results promptly to users. Objective: To address the abovementioned challenges, this paper proposes a cloud-based system that allows users to upload audio files, analyses them to identify emotions (such as anger, calmness, disgust, fear, happiness, neutrality, sadness, surprise, etc.), and returns the detected emotions to the user in a timely manner. Methods: Two open datasets, Surrey Audio-Visual Expressed Emotion (SAVEE) and Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS), were collected for training and testing the employed models using AWS cloud services. Results: The proposed method performed better than the existing methods for RAVDESS and SAVEE datasets by achieving a weighted accuracy of 93% and 94%, respectively, compared to four baselines, which obtained weighted accuracy of 71%, 73%, and 77%, respectively, for RAVDESS dataset, and 67% for SAVEE dataset. Conclusion: The system architecture has been crafted to be scalable and flexible, making it suitable for various applications, thus greatly enhancing user interactions.
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 | 0,001 | 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 | 0,000 |
| 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 découle