Ученые проверили способность ИИ распознавать эмоции в голосе

Исследователи сократили каждый аудиофрагмент до 1,5 секунды, так как именно столько времени нужно человеку для распознавания эмоций в речи. Эмоции, рассматриваемые в исследовании, включали радость, гнев, грусть, страх, отвращение и нейтральность.

Основываясь на обучающих данных, исследователи создали модели машинного обучения, работающие по одной из трех методик: глубокие нейронные сети (DNN), сверточные нейронные сети (CNN) и гибридную модель (C-DNN), объединяющую оба подхода. Затем модели были протестированы на двух наборах данных.

Результаты показали, что DNN и C-DNN демонстрируют лучшую точность, чем простое использование спектрограмм в CNN. Это означает, что классификация эмоций была правильной с более высокой вероятностью, чем при догадках, и сопоставима с точностью распознавания человеком.

Исследователи отметили, что такие модели могут быть использованы в широком спектре ситуаций, где понимание эмоционального контекста критически важно, таких как терапия и технологии межличностного общения. Они также подчеркнули необходимость дальнейших исследований, чтобы определить оптимальную длительность аудиофрагментов для распознавания эмоций.