Cross-linguistic universality in speech emotion recognition: Comparing multilingual and monolingual computational speech models
Notice bibliographique
Résumé
Human listeners can recognize emotions from speech alone, even in unfamiliar languages (universality), while performing better in familiar languages even without lexical cues (in-group advantage). However, whether computational speech models exhibit these abilities remains unclear—let alone how multilingual training influences them, a question still understudied in human research as well. We explored these questions by comparing a multilingual Whisper model to its English-only counterpart across seven acted-speech corpora: three English and four non-English languages seen by the multilingual model (Canadian French, Japanese, Thai, Greek). Emotion classification results showed strong universality and weak in-group advantage compared to past human studies—the monolingual model’s high accuracy on non-English speech (78.95%) suggests strong universality, while its lower accuracy than the multilingual model (81.37%) reflects weak in-group advantage. Notably, the two models performed similarly on English (monolingual: 76.49%, multilingual: 77.73%), suggesting that multilingual exposure does not greatly improve emotion recognition even in familiar languages. Layer-wise probing showed performance remaining high across the network, indicating that the systems seem to represent emotion across layers. These findings suggest that large speech models partially mirror human abilities in emotional speech recognition and encode a surprisingly universal representation of emotion without language-specific fine-tuning.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».