Vistec-AIS语音情感识别 语音情感识别模型及基于Pytorch的推理 安装 从皮皮 pip install vistec-ser 从来源 git clone https://github.com/tann9949/vistec-ser.git cd vistec-ser python setup.py install 用法 使用THAI SER数据集进行培训 我们提供了Google合作实验室示例，用于使用我们的存储库训练。 使用提供的脚本进行培训 请注意，当前，此工作流程仅支持预加载的功能。 因此，这可能会产生〜2 Gb或RAM的额外开销。 运行实验。 运行以下命令 由于有80个录音室录音和20个变焦录音。 我们将数据集分为10个工作室，每组10个工作室。 然后使用k折交叉验证方法进行评估。 我们提供2 k倍的实验：包括和不包括缩放记录。 可以在配置文件中配置它（请参阅examp

基于机器学习的语音情感识别，李丹艳，刘刚，随着计算机技术的发展和人工智能的普及，语音情感识别研究收到学界和工业届的广泛关注。从语音情感识别的起源、语音情感的分类，

CASIA汉语情感语料库由中国科学院自动化所（Institute of Automation, Chinese Academy of Sciences）录制，共包括四个专业发音人，六种情绪生气（angry）、高兴（happy）、害怕（fear）、悲伤（sad）、惊讶（surprise）和中性（neutral），共9600句不同发音。其中300句是相同文本的，也即是说对相同的文本赋以不同的情感来阅读，这些语料可以用来对比分析不同情感状态下的声学及韵律表现；另外100句是不同文本的，这些文本从字面意思就可以看出其情感归属，便于录音人更准确地表现出情感。我们选取300句相同文本的音频作为实验数据，取前200句为训练集，后100句为测试集。实验同样对数据集进行了切分处理。

语音情感识别Matlab程序，源代码通过特定人语音情感数据库的建立；语音情感特征提取；语音情感分类器的设计，完成了一个特定人语音情感识别的初步系统

使用的是CASIA数据集进行与谱图转换后进行的rensnet50分类得到由于数据集合太小故而准确率只有70%

语音情感分析仪 基于长期短期记忆（LSTM）网络的语音情感分析器。 该模型可以有效地分析愤怒，厌恶，恐惧，幸福，中立，悲伤和惊奇的7种基本情绪。 在多伦多情感言语集（TESS）数据集上进行了培训。 这对模型的可推广性造成了一些固有的限制。 由于TESS目前只有两名女性配音演员，并且在录音室中进行录制，因此该模型无法与直接制作相提并论。 该代码在jupyternotebook文件中，并且记录充分。

这是柏林语音情感分析库，包含语音文件和标签，还有其他特征，具体使用说明请看柏林语音情感分析库的官网。

语音情感识别数据库，适合锻炼，本人亲测有效。

语音情感识别日益受到人们的关注，在社会生活中发挥着重要作用。为了提高语音情感的识别率，提出一种改进的灰狼算法（Grey Wolf Optimizer，GWO）优化支持向量机（Support Vector Machine，SVM）的分类模型（IGWO-SVM）。介绍了灰狼算法的基本理论；嵌入选择算子和引入非线性收敛因子来提升IGWO的寻优性能；采用IGWO优化SVM参数，进而建立语音情感的分类模型。通过10个基准测试函数的仿真实验，验证了IGWO性能优于GWO。对于参比模型，IGWO-SVM模型能够有效提高语音情感的识别率。

matlab/基于多种神经网络的语音情感识别.zip