情感文本转语音的深度学习 关于我们尝试使用深度学习方法进行情感文字转语音的摘要 内容 数据集 数据集 演讲人数 情绪化 话语数量 不重复提示数 期间 语言 评论 优点 缺点 24（12女，12男） 8（镇静，中立，快乐，悲伤，愤怒，恐惧，惊喜和恶心） 1440 2个 约1小时 英语 每个说话者都有4种表达中性情绪的声音，而8种说话则包含所有其他情绪的声音，因此每个说话者有60种言语 容易获得 包含的情绪很容易解释 话语非常有限 词汇不佳 用不同的声音说出相同的话 5（3男，2女） 5（中立，逗乐，生气困，厌恶） 6914（1568、1315、1293、1720、1018） 1150 约7小时 英文，法文（1名男性） 尝试大型语料库进行情感表达 逗乐的情绪包含非语言提示，例如咯咯笑等，这些提示不会显示在笔录中 同样，困倦也有打哈欠的声音。 我们免费提供的唯一大规模情感语料

IEEE Transactions on Affective Computing是属于中科院分区，文档包含了期刊简介，历年的影响因子和投稿数量。

情感分析已成为社交网络分析的主流研究之一。 它的影响可以在许多实际应用中看到，从舆论分析到营销公众赞誉和信息预测。 然而，大多数现有的研究已经在主观文本的情感分类中进行，复杂的交互文本（例如，在线评论）的情感演变分析尚未被研究界彻底确定目标。 本文关注从天涯论坛收集的中文短文在线评论。 首先，提出了一种有效的情感计算框架来捕捉中国在线评论的内在情感。 它可以准确地计算整个评论的语义方向，而无需昂贵的手工标记种子词。 由于用户的态度可能会相互影响，因此仅依靠历史评论的情感价值来预测其未来的情感行为是非常一方面的。 因此，我们提出一种结合情感计算的基于博弈论的情感演化预测算法，该算法将混合纳什均衡策略作为交互用户的未来情感行为进行计算。 然后，在大规模审查数据集上提供实验结果，以证明我们方法的有效性和准确性。 最后，通过将研究结果应用到幸福感与大众感的成对评估中，我们在天涯论坛的“世界观”板上发现了一些有趣的现象。

Real-world Affective Faces Database(fer2013)数据集下载，用于人脸表情识别

Barrier-free Affective Communication in MOOC Study by Analyzing Pupil Diameter Variation

情感计算 R.W. Picard 经典论文