AI可识别语音情感模型 在1.2秒内判断你的愤怒

亚马逊的Alexa可根据语音判断你需要的选择，但是人工智能（AI）却可以感知你是否生气。麻省理工学院媒体实验室的分支机构Affectiva的声联网系统，可在短短1．2秒内从音频数据中分辨出你的愤怒。无论是什么语言，这个时间刚好超过人类感知愤怒所需的时间。

AI可分辨人类的愤怒

Affectiva的研究人员在Arxiv．org上最新发表的一篇论文中描述了这一现象（“从声音表征中转移学习，用于语音中的愤怒检测”）。它建立在语音和面部数据的基础上，并建立相关的情感档案。今年，该公司与Nuance合作开发了一种车载人工智能系统，可以从摄像头的反馈中检测驾驶员疲劳的迹象。在2017年12月，它推出了语音API，该API使用语音识别功能，诸如大笑、愤怒等情绪，以及音量、音调、速度和停顿。

论文的共同作者写道：“利用深度学习网络的力量进行情感识别的一个重要问题是，深度网络所需的大量数据，与小规模的语音数据之间的不匹配。经过训练的愤怒检测模型提高了性能，并能很好地概括各种行为，从而引发情绪言语的数据集。此外，我们提出的系统具有较低的延迟，适用于实时应用。”

什么是声联网？

SoundNet（声联网）由一个卷积神经网络（一种通常用于分析视觉图像的神经网络）组成，它在视频数据集上进行训练。为了让它识别言语中的愤怒情绪，研究小组首先搜集了大量的普通音频数据——200万段视频，或者仅仅相当于一年多的时间——使用另一种模型生成的ground truth。然后，他们使用一个更小的数据集IEMOCAP对其进行微调，该数据集包含12个小时的带注释的视听情感数据，包括视频、语音和文本转录。

为了测试人工智能模型的通用性，该团队评估了它的英语训练模型用于汉语普通话语言的情感数据（普通话情感语料库，简称MASC），他们的报告说，它不仅很好地推广到英语语音数据，而且对汉语数据也很有效——尽管性能略有下降。

AI可识别语音情感模型

研究人员说，他们的成功证明了一种“有效的”和“低延迟的”语音情感识别模型，可以通过转移学习得到显著改善。转移学习是一种技术，它利用人工智能系统在之前标注过的样本的大数据集上训练，在一个数据稀疏的新领域中引导训练——在这种情况下，人工智能系统能通过训练分类一般声音。

这一结果是有希望的，因为尽管情感语音数据集很小，而且获取起来也很昂贵，但是大量的自然声音事件数据集是可用的，比如用于训练SoundNet的数据集或谷歌的音频集。仅这两个数据集就有大约1．5万个小时的标记音频数据。“愤怒分类有很多有用的应用，包括对话界面和社交机器人、交互式语音应答系统、市场研究、客户代理评估和培训，以及虚拟现实和增强现实。”

他们把开发其他大型公共语料库的工作留给了未来，并为相关的语音任务训练人工智能系统，比如识别其他类型的情感和情感状态。相信，在未来AI将发挥更多的作用，你认为未来的AI还能应用在哪些领域呢？