Domingo Alvarez E/Unsplash
Дослідники з Німеччини розробили моделі машинного навчання, здатні розпізнавати емоції в коротких голосових фрагментах тривалістю всього 1,5 секунди з точністю, порівнянною з людською.
Що відомоУ новому дослідженні, опублікованому в журналі Frontiers in Psychology, вчені порівняли три типи моделей: глибокі нейронні мережі (DNN), згорткові нейронні мережі (CNN) та гібридну модель (C-DNN).
Моделі навчалися на німецьких та канадських наборах даних з безглуздими пропозиціями, вимовленими акторами з різними емоційними відтінками, щоб виключити вплив мови та сенсу на розпізнавання.
«Наші моделі досягли точності, аналогічної людській, при класифікації емоційних пропозицій, вимовлених акторами», — заявив провідний автор Ханнес Дімерлінг (Hannes Diemerling) з Інституту людського розвитку Макса Планка (Max Planck).
Дослідники виявили, що DNN та гібридна C-DNN, що комбінує аудіо та візуальні дані, працюють краще, ніж CNN з використанням тільки спектрограм. Загалом усі моделі перевершили випадкові припущення в точності розпізнавання емоцій.
За словами Дімерлінга, той факт, що люди та моделі ІІ показали порівняні результати, може означати, що вони спираються на схожі закономірності в звуку для виявлення емоційного підтексту.
Вчені зазначили, що подібні системи можуть знайти застосування в областях, які потребують інтерпретації емоцій, таких як терапія чи технології спілкування. Водночас необхідне подальше вивчення оптимальної тривалості аудіофрагментів та аналіз спонтанних емоційних проявів.
Джерело: TechXplore
Повідомлення Машинне навчання передбачає емоції щодо голосу за 1,5 секунди з людською точністю з'явилися спочатку на ITnet.
