CN116343762A - 情绪识别模型的训练方法和装置、电子设备及存储介质 - Google Patents

情绪识别模型的训练方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116343762A
CN116343762A CN202310382774.4A CN202310382774A CN116343762A CN 116343762 A CN116343762 A CN 116343762A CN 202310382774 A CN202310382774 A CN 202310382774A CN 116343762 A CN116343762 A CN 116343762A
Authority
CN
China
Prior art keywords
sample
emotion
target
features
acoustic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310382774.4A
Other languages
English (en)
Inventor
王健宗
李泽远
刘博卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310382774.4A priority Critical patent/CN116343762A/zh
Publication of CN116343762A publication Critical patent/CN116343762A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/083—Recognition networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种情绪识别模型的训练方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取样本对象的样本语音数据和原始情绪类别标签；从样本语音数据中提取样本声学特征和样本文本特征；将样本声学特征和样本文本特征输入至神经网络模型，编码样本声学特征，得到样本声学编码特征；对样本声学编码特征、样本文本特征进行注意力计算，得到样本情绪表征向量；分别对样本声学编码特征、样本情绪表征向量进行识别，得到第一样本情绪类别标签、第二样本情绪类别标签；基于原始情绪类别标签、第一样本情绪类别标签、第二样本情绪类别标签、样本情绪表征向量优化神经网络模型的参数，得到情绪识别模型，能够提高模型的训练效果。

Description

情绪识别模型的训练方法和装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种情绪识别模型的训练方法和装置、电子设备及存储介质。
背景技术
目前的情绪识别方法所依赖的神经网络模型的训练，往往训练数据的特征信息较为单一，这会导致模型的训练效果较差，影响情绪识别的准确性。因此，如何提高模型的训练效果，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种情绪识别模型的训练方法和装置、电子设备及存储介质，旨在提高模型的训练效果。
为实现上述目的，本申请实施例的第一方面提出了一种情绪识别模型的训练方法，所述训练方法包括：
获取样本对象的样本数据，所述样本数据包括所述样本对象的样本语音数据和所述样本语音数据的原始情绪类别标签，所述原始情绪类别标签用于表征所述样本语音数据的情绪类别；
对所述样本语音数据进行特征提取，得到样本声学特征和样本文本特征，所述样本声学特征用于表征所述样本对象的说话特点，所述样本文本特征用于表征所述样本语音数据的语音内容；
将所述样本声学特征和所述样本文本特征输入至预设的神经网络模型中，所述神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；
基于所述编码网络对所述样本声学特征进行编码处理，得到样本声学编码特征；
基于所述第一识别网络对所述样本声学编码特征进行识别处理，得到第一样本情绪类别标签；
基于所述解码网络对所述样本声学编码特征、所述样本文本特征进行注意力计算，得到样本情绪表征向量；
基于所述第二识别网络对所述样本情绪表征向量进行识别处理，得到第二样本情绪类别标签；
基于所述原始情绪类别标签、所述第一样本情绪类别标签、所述第二样本情绪类别标签以及所述样本情绪表征向量进行损失计算，得到目标损失值；
根据所述目标损失值对所述神经网络模型进行参数优化，得到情绪识别模型。
在一些实施例，所述编码网络包括嵌入层和编码层，所述基于所述编码网络对所述样本声学特征进行编码处理，得到样本声学编码特征，包括：
通过所述嵌入层对所述样本声学特征进行嵌入处理，得到声学特征嵌入向量；
对所述声学特征嵌入向量进行位置编码，得到初始声学编码特征；
通过所述编码层对所述初始声学编码特征进行编码处理，得到所述样本声学编码特征。
在一些实施例，所述解码网络包括第一注意力层、第二注意力层，所述基于所述解码网络对所述样本声学编码特征、所述样本文本特征进行注意力计算，得到样本情绪表征向量，包括：
通过所述第一注意力层对所述样本文本特征进行第一注意力计算，得到样本文本编码特征；
通过所述第二注意力层对所述样本文本编码特征和所述样本声学编码特征进行第二注意力计算，得到样本情绪表征向量。
在一些实施例，所述基于所述原始情绪类别标签、所述第一样本情绪类别标签、所述第二样本情绪类别标签以及所述样本情绪表征向量进行损失计算，得到目标损失值，包括：
基于所述原始情绪类别标签和所述第一样本情绪类别标签进行第一损失计算，得到第一损失值；
基于所述原始情绪类别标签和所述第二样本情绪类别标签进行第二损失计算，得到第二损失值；
基于多个所述样本情绪表征向量进行第三损失计算，得到第三损失值；
对所述第一损失值、所述第二损失值以及所述第三损失值进行加权计算，得到所述目标损失值。
为实现上述目的，本申请实施例的第二方面提出了一种情绪识别方法，所述方法包括：
获取目标对象的目标语音数据；
对所述目标语音数据进行特征提取，得到目标声学特征和目标文本特征，所述目标声学特征用于表征所述目标对象的说话特点，所述目标文本特征用于表征所述目标语音数据的语音内容；
将所述目标声学特征和所述目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，所述目标情绪类别标签用于表征所述目标语音数据的情绪类别，所述情绪识别模型根据第一方面所述的训练方法训练得到。
在一些实施例，所述情绪识别模型包括编码网络、解码网络、第一识别网络和第二识别网络，所述将所述目标声学特征和所述目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，包括：
基于所述编码网络对所述目标声学特征进行编码处理，得到目标声学编码特征；
基于所述第一识别网络对所述目标声学编码特征进行情绪识别，得到第一情绪类别标签；
基于所述解码网络对所述目标声学编码特征进行注意力计算，得到目标情绪表征向量；
基于所述第二识别网络对所述目标情绪表征向量进行情绪识别，得到第二情绪类别标签；
获取所述目标语音数据的语音长度；
若所述语音长度小于预设的长度阈值，则将所述第一情绪类别标签作为所述目标情绪类别标签；
若所述语音长度大于或者等于所述长度阈值，则将所述第二情绪类别标签作为所述目标情绪类别标签。
为实现上述目的，本申请实施例的第三方面提出了一种情绪识别模型的训练装置，所述训练装置包括：
样本数据获取模块，用于获取样本对象的样本数据，所述样本数据包括所述样本对象的样本语音数据和所述样本语音数据的原始情绪类别标签，所述原始情绪类别标签用于表征所述样本语音数据的情绪类别；
样本特征提取模块，用于对所述样本语音数据进行特征提取，得到样本声学特征和样本文本特征，所述样本声学特征用于表征所述样本对象的说话特点，所述样本文本特征用于表征所述样本语音数据的语音内容；
输入模块，用于将所述样本声学特征和所述样本文本特征输入至预设的神经网络模型中，所述神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；
编码模块，基于所述编码网络对所述样本声学特征进行编码处理，得到样本声学编码特征；
第一识别模块，用于基于所述第一识别网络对所述样本声学编码特征进行识别处理，得到第一样本情绪类别标签；
注意力计算模块，用于基于所述解码网络对所述样本声学编码特征、所述样本文本特征进行注意力计算，得到样本情绪表征向量；
第二识别模块，用于基于所述第二识别网络对所述样本情绪表征向量进行识别处理，得到第二样本情绪类别标签；
损失计算模块，用于基于所述原始情绪类别标签、所述第一样本情绪类别标签、所述第二样本情绪类别标签以及所述样本情绪表征向量进行损失计算，得到目标损失值；
参数优化模块，用于根据所述目标损失值对所述神经网络模型进行参数优化，得到情绪识别模型。
为实现上述目的，本申请实施例的第四方面提出了一种情绪识别装置，所述装置包括：
目标数据获取模块，用于获取目标对象的目标语音数据；
目标特征提取模块，用于对所述目标语音数据进行特征提取，得到目标声学特征和目标文本特征，所述目标声学特征用于表征所述目标对象的说话特点，所述目标文本特征用于表征所述目标语音数据的语音内容；
情绪识别模块，用于将所述目标声学特征和所述目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，所述目标情绪类别标签用于表征所述目标语音数据的情绪类别，所述情绪识别模型根据第三方面所述的训练装置训练得到。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法或者第二方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法或者第二方面所述的方法。
本申请提出的情绪识别模型的训练方法、情绪识别方法、情绪识别模型的训练装置、情绪识别装置、电子设备及计算机可读存储介质,其通过获取样本对象的样本数据，样本数据包括所述样本对象的样本语音数据和样本语音数据的原始情绪类别标签；对样本语音数据进行特征提取，得到样本声学特征和样本文本特征，这一方式使得能够基于样本声学特征和样本文本特征进行模型训练，提高了特征的多样性和丰富性。进一步地，将样本声学特征和样本文本特征输入至预设的神经网络模型中，基于编码网络对样本声学特征进行编码处理，得到样本声学编码特征，并基于第一识别网络对样本声学编码特征进行识别处理，得到第一样本情绪类别标签，能够使得模型能够更好地学习到样本声学特征中包含的情绪信息。基于解码网络对样本声学编码特征、样本文本特征进行注意力计算，得到样本情绪表征向量，并基于第二识别网络对样本情绪表征向量进行识别处理，得到第二样本情绪类别标签，能够使得模型能够从样本情绪表征向量中学习到更多的情绪特征信息。最后，基于原始情绪类别标签、第一样本情绪类别标签、第二样本情绪类别标签以及样本情绪表征向量进行损失计算，得到目标损失值；并根据目标损失值对神经网络模型进行参数优化，得到情绪识别模型，这一方式能够较为方便地根据目标损失值确定模型的训练程度以及模型的模型性能，也能够根据目标损失值的大小确定是否需要对神经网络模型的内部参数进行调整，从而提高模型训练的效果，有助于获得到识别精度更高的情绪识别模型。
附图说明
图1是本申请实施例提供的情绪识别模型的训练方法的流程图；
图2是图1中的步骤S104的流程图；
图3是图1中的步骤S106的流程图；
图4是图1中的步骤S108的流程图；
图5是本申请实施例提供的情绪识别方法的流程图；
图6是图5中的步骤S503的流程图；
图7是本申请实施例提供的情绪识别模型的训练装置的结构示意图；
图8是本申请实施例提供的情绪识别装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
音素(Phone)：是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素。
编码(encoder)：将输入序列转化成一个固定长度的向量。
激活函数(Activation Function)：就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。
Softmax函数：Softmax函数是归一化指数函数，能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，该函数常用于多分类问题中。
目前的情绪识别方法所依赖的神经网络模型的训练，往往训练数据的特征信息较为单一，这会导致模型的训练效果较差，影响情绪识别的准确性。因此，如何提高模型的训练效果，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种情绪识别模型的训练方法、情绪识别方法情绪识别模型的训练装置、情绪识别装置、电子设备及存储介质，旨在提高模型的训练效果。
本申请实施例提供的情绪识别模型的训练方法、情绪识别方法、情绪识别模型的训练装置、情绪识别装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的情绪识别模型的训练方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的情绪识别模型的训练方法，涉及人工智能技术领域。本申请实施例提供的情绪识别模型的训练方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现情绪识别模型的训练方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的情绪识别模型的训练方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S109。
步骤S101，获取样本对象的样本数据，样本数据包括样本对象的样本语音数据和样本语音数据的原始情绪类别标签，原始情绪类别标签用于表征样本语音数据的情绪类别；
步骤S102，对样本语音数据进行特征提取，得到样本声学特征和样本文本特征，样本声学特征用于表征样本对象的说话特点，样本文本特征用于表征样本语音数据的语音内容；
步骤S103，将样本声学特征和样本文本特征输入至预设的神经网络模型中，神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；
步骤S104，基于编码网络对样本声学特征进行编码处理，得到样本声学编码特征；
步骤S105，基于第一识别网络对样本声学编码特征进行识别处理，得到第一样本情绪类别标签；
步骤S106，基于解码网络对样本声学编码特征、样本文本特征进行注意力计算，得到样本情绪表征向量；
步骤S107，基于第二识别网络对样本情绪表征向量进行识别处理，得到第二样本情绪类别标签；
步骤S108，基于原始情绪类别标签、第一样本情绪类别标签、第二样本情绪类别标签以及样本情绪表征向量进行损失计算，得到目标损失值；
步骤S109，根据目标损失值对神经网络模型进行参数优化，得到情绪识别模型。
本申请实施例所示意的步骤S101至步骤S109，通过对样本语音数据进行特征提取，得到样本声学特征和样本文本特征，样本声学特征用于表征样本对象的说话特点，样本文本特征用于表征样本语音数据的语音内容，这一方式使得能够基于样本声学特征和样本文本特征进行模型训练，提高了特征的多样性和丰富性。基于编码网络对样本声学特征进行编码处理，得到样本声学编码特征，能够使得模型能够更好地学习到样本声学特征中包含的情绪信息，提高模型对不同情绪类别的分类效果和识别效果。基于第一识别网络对样本声学编码特征进行识别处理，得到第一样本情绪类别标签，这一方式使得能够基于第一样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化。基于解码网络对样本声学编码特征、样本文本特征进行注意力计算，得到样本情绪表征向量，能够提高生成的样本情绪表征向量的语义丰富度，使得模型能够从样本情绪表征向量中学习到更多的情绪特征信息。基于第二识别网络对样本情绪表征向量进行识别处理，得到第二样本情绪类别标签，这一方式使得能够基于第二样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化。最后，基于原始情绪类别标签、第一样本情绪类别标签、第二样本情绪类别标签以及样本情绪表征向量进行损失计算，得到目标损失值；并根据目标损失值对神经网络模型进行参数优化，得到情绪识别模型，这一方式能够较为方便地根据目标损失值确定模型的训练程度以及模型的模型性能，也能够根据目标损失值的大小确定是否需要对神经网络模型的内部参数进行调整，从而提高模型训练的效果和模型训练的准确性，有助于获得到识别精度更高的情绪识别模型。
在一些实施例的步骤S101中，可以通过脚本程序从预设的数据库中提取眼获取样本对象的样本数据，也可以采用网络爬虫的方式从预设的数据源中爬取数据，得到样本对象的样本数据，其中，预设的数据库可以包括各种类型的语音数据库，数据源可以包括各种类型的网络平台、多媒体设备、视听资料等等。样本对象可以包括网络平台的用户、歌手、演讲人员等等。样本数据包括样本对象的样本语音数据和样本语音数据的原始情绪类别标签，原始情绪类别标签用于表征样本语音数据的情绪类别，原始情绪类别标签包括多种情绪类别，例如，愤怒、沮丧、惊讶、开心等等，不做限制。
在一些实施例的步骤S102中，可以通过命名实体抽取或者频域变换及滤波的方式对样本语音数据进行特征提取，得到样本声学特征，其中，样本声学特征可以是80维的频域特征。以频域变换及滤波的方式为例，首先对样本语音数据进行预加重，将样本语音数据对应的语音信号输入至预设的高通滤波器，来增强语音信号中的高频部分，并保持在低频到高频的整个频段中能够使用同样的信噪比求频谱。进一步地，对预加重之后的样本语音数据进行分帧处理，根据预设的固定时间长度对预加重之后的样本语音数据进行分割，得到多个初始音频帧，再对每个初始音频帧进行加窗处理，得到目标音频帧，以增加帧左端和右端的连续性，减少频谱的遗漏。其中，可以采用常用的窗口函数Hamming窗来进行加窗。进一步地，对目标音频帧进行离散傅里叶变换，将目标音频帧由时域空间转换到频域空间，得到每一目标音频帧对应的目标频谱，并对每一目标频谱进行取模运算，得到该目标频谱对应的功率谱。最后，将基于目标频谱和功率谱生成的线性频谱映射到基于听觉感知的梅尔非线性频谱中，再将映射结果转换到梅尔倒谱上，得到样本声学特征。其中，样本声学特征能够用于表征样本对象的说话特点，该说话特点包括样本对象的音高信息、音色信息以及说话频率信息等等。
为了提高特征的多样性，可以对样本语音数据进行特征提取，得到对应的样本文本特征。例如，可以采用数据转换的方式将波形形式的样本语音数据转换为文本形式的样本音素数据，该数据转换过程可以基于常用的音素对照表实现，此处不再赘述。在得到文本形式的样本音素数据之后，可以基于预训练的BERT模型对样本音素数据进行句级别的特征提取，获取样本音素数据中每一音素对应的句向量特征，将这一系列的句向量特征进行合并，得到样本文本特征，其中，样本文本特征能够用于表征样本语音数据的语音内容。
通过上述步骤S102能够较为方便地获取到样本语音数据对应的样本声学特征和样本文本特征，从而使得能够基于样本声学特征和样本文本特征进行情绪识别，提高了特征的多样性和丰富性，使得模型的训练数据的数据类型和数据内容更为丰富，有助于提高模型的训练效果，得到模型性能更好的情绪识别模型。
在一些实施例的步骤S103中，可以通过预设的计算机程序或者预先编写的脚本程序将样本声学特征和样本文本特征输入至预设的神经网络模型中，神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络。其中，编码网络主要用于将语音数据对应的声学特征进行编码处理，提取语音数据的语音特征信息，得到声学编码特征。解码网络主要用于对声学编码特征和语音数据对应的文本特征进行情绪识别，获取声学编码特征和文本特征中与情绪相关的特征信息，得到情绪表征向量。第一识别网络主要用于根据声学编码特征进行情绪识别，从语音特点上来确定语音数据对应的一个情绪类别标签。第二识别网络主要用于根据情绪表征向量进行情绪识别，从情绪特征上确定语音数据对应的另一个情绪类别标签。
需要说明的是，上述两个情绪类别标签表征的情绪类别可能相同，也可能不同。当这两个情绪类别标签表征的情绪类别不同时，可以基于语音数据的长度或者其他条件来选择其中一个情绪类别标签作为语音数据对应的情绪类别。
上述神经网络模型能够通过第一识别网络和第二识别网络进行情绪识别的多任务学习，融入多种特征信息(包括语音数据的声学特征和文本特征)来进行模型学习，能够较好地改善模型的训练效果。
请参阅图2，在一些实施例中，编码网络包括嵌入层和编码层，步骤S104可以包括但不限于包括步骤S201至步骤S203：
步骤S201，通过嵌入层对样本声学特征进行嵌入处理，得到声学特征嵌入向量；
步骤S202，对声学特征嵌入向量进行位置编码，得到初始声学编码特征；
步骤S203，通过编码层对初始声学编码特征进行编码处理，得到样本声学编码特征。
在一些实施例的步骤S201中，通过嵌入层对样本声学特征进行嵌入处理，将样本声学特征转换为矩阵形式，并通过嵌入层对样本声学特征进行变维处理，得到声学特征嵌入向量。其中，样本声学特征的矩阵维度可以表示为[t，f]，其中，t为时间，f为样本声学特征的特征维度。声学特征嵌入向量的矩阵维度可以表示为[t，f1]，f1可以根据实际需求设置，不做限制。例如，f1为256或者512等等。通过嵌入处理的方式能够较为方便地改变样本声学特征的特征维度，将样本声学特征转换为更高维度的声学特征嵌入向量，使得模型能够更好地学习到声学特征嵌入向量包含的情绪信息，提高模型对不同情绪类别的分类效果和识别效果。
在一些实施例的步骤S202中，对声学特征嵌入向量的位置编码可以是绝对编码，也可以是相对编码，不做限制。当对声学特征嵌入向量进行绝对编码时，通过正余弦函数来生成声学特征嵌入向量的每一个词向量的绝对位置编码，根据该绝对位置编码来对声学特征嵌入向量的每一个词向量进行位置标记，将绝对位置编码作为词向量的位置标签，将该位置标签嵌入至每一词向量，使得原先的声学特征嵌入向量中的每一词向量都带上对应的位置标签，得到包含位置信息的初始声学编码特征。
当对声学特征嵌入向量进行相对编码时，分别计算声学特征嵌入向量的每两个词向量之间的距离值，该距离值可以是欧式距离或者曼哈顿距离等等，根据距离值的大小关系对每两个词向量进行关系编号，这些关系编号可以用于表征词向量的语义顺序。将该关系编号嵌入至词向量，使得原先的声学特征嵌入向量中的词向量之间都带上对应的关系编号，得到包含位置信息的初始声学编码特征。
在一些实施例的步骤S203中，通过编码层的编码器对初始声学编码特征进行编码处理，提取初始声学编码特征中能够表征情绪内容的声学特征信息，得到样本声学编码特征。
通过上述步骤S201至步骤S203能够将样本声学特征转换为更高维度的声学特征嵌入向量，并根据样本语音数据的语义顺序在编码过程中引入了位置信息，提高了样本声学编码特征的语义逻辑性，使得模型能够更好地学习到样本声学特征中包含的情绪信息，提高模型对不同情绪类别的分类效果和识别效果。
在一些实施例的步骤S105中，第一识别网络可以包含一个线性层和softmax函数等概率函数，在基于第一识别网络对样本声学编码特征进行识别处理时，首先利用线性层对样本声学编码特征进行特征维度的变换，使得模型能够根据基于不同特征维度的样本声学编码特征学习到更多的特征信息，以提高模型的学习能力。进一步地，利用softmax函数等概率函数来计算样本声学编码特征在预设的多个候选情绪类别标签上的概率分布情况，得到每个候选情绪类别标签对应的第一概率值。由于第一概率值的大小可以清楚地反映出样本声学编码特征与每一候选情绪类别标签的相关程度，即候选情绪类别标签对应的第一概率值越大，则样本声学编码特征属于这一候选情绪类别标签的可能性越高。因此，根据第一概率值的大小，选取第一概率值最大的候选情绪类别标签作为第一样本情绪类别标签。该方式能够实现对样本语音数据在帧级别上的情绪识别，即根据样本语音数据的语音特点来确定样本语音数据对应的情绪类别标签，使得能够基于第一样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化，提高模型的训练效果。
请参阅图3，在一些实施例中，解码网络包括第一注意力层、第二注意力层，步骤S106可以包括但不限于包括步骤S301至步骤S302：
步骤S301，通过第一注意力层对样本文本特征进行第一注意力计算，得到样本文本编码特征；
步骤S302，通过第二注意力层对样本文本编码特征和样本声学编码特征进行第二注意力计算，得到样本情绪表征向量。
在一些实施例的步骤S301中，通过第一注意力层对样本文本特征进行注意力计算时，计算出样本文本特征的键矩阵、值矩阵以及查询矩阵，通过softmax函数对键矩阵、值矩阵以及查询矩阵进行加权计算，得到初始文本编码特征，其中，键矩阵可以表示为K1＝X1*W1，值矩阵可以表示为V1＝X1*W2，查询矩阵可以表示为Q1＝X1*W3，其中，X1为样本文本特征，W1、W2、W3为可训练参数。初始文本编码特征Z1可以表示如公式(1)所示，其中，d1是样本文本特征的特征维度，T表示对键矩阵K1进行转置运算：
Figure BDA0004173165900000121
通过上述注意力计算的过程可以加强对样本文本特征中重要特征信息的映射，而减少对样本文本特征中次要特征信息的映射。
进一步地，对初始文本编码特征进行标准化处理，使得初始文本编码特征的均值和方差均满足预设要求，例如，使得初始文本编码特征的均值为0，方差为1，从而得到样本文本编码特征。
在一些实施例的步骤S302中，首先对样本文本编码特征和样本声学编码特征进行向量连接，得到融合编码特征，再通过第二注意力层对融合编码特征进行注意力计算和标准化处理，得到初始情绪表征向量。该注意力计算和标准化处理的过程与上述步骤S301基本一致，此处不再赘述。
为了提高模型的训练效果，需要进一步地提高初始情绪表征向量的语义丰富度。因此，在得到初始情绪表征向量之后，还可以将初始情绪表征向量映射到一个固定的高维空间，对初始情绪表征向量进行升维处理，再将升维处理之后的初始情绪表征向量映射到预设的向量空间，该预设的向量空间是一个低维空间，从而得到语义丰富度更高的低维情绪表征向量。进而，对低维情绪表征向量进行激活处理，实现对低维情绪表征向量的标准化。具体地，先将低维情绪表征向量移动至预设激活函数的作用区域，再通过预设激活函数对该低维情绪表征向量进行标准化处理，从而得到样本情绪表征向量，其中，预设激活函数可以是Relu函数等等。
通过上述步骤S301至步骤S302能够充分地利用样本语音数据的声学特征和文本特征来进行情绪识别，使得在模型训练过程中样本声学编码特征和样本文本编码特征之间能够相互影响，提高生成的样本情绪表征向量的语义丰富度，使得模型能够从样本情绪表征向量中学习到更多的情绪特征信息，从而提高模型的训练效果。
在一些实施例的步骤S107中，第二识别网络可以包含一个线性层和softmax函数等概率函数，在基于第二识别网络对样本情绪表征向量进行识别处理时，首先利用线性层对样本情绪表征向量进行特征维度的变换，使得模型能够根据基于不同特征维度的样本情绪表征向量学习到更多的特征信息，以提高模型的学习能力。进一步地，利用softmax函数等概率函数来计算样本情绪表征向量在预设的多个候选情绪类别标签上的概率分布情况，得到每个候选情绪类别标签对应的第二概率值。由于第二概率值的大小可以清楚地反映出样本情绪表征向量与每一候选情绪类别标签的相关程度，即候选情绪类别标签对应的第二概率值越大，则样本情绪表征向量属于这一候选情绪类别标签的可能性越高。因此，根据第二概率值的大小，选取第二概率值最大的候选情绪类别标签作为第二样本情绪类别标签。该方式能够实现对样本语音数据在句级别上的情绪识别，即根据样本语音数据的语音特点和文本特点识别到样本语音数据中的情绪特征信息，再根据情绪特征信息来确定样本语音数据对应的情绪类别标签，使得能够基于第二样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化，提高模型的训练效果。
请参阅图4，在一些实施例中，步骤S108可以包括但不限于包括步骤S401至步骤S404：
步骤S401，基于原始情绪类别标签和第一样本情绪类别标签进行第一损失计算，得到第一损失值；
步骤S402，基于原始情绪类别标签和第二样本情绪类别标签进行第二损失计算，得到第二损失值；
步骤S403，基于多个样本情绪表征向量进行第三损失计算，得到第三损失值；
步骤S404，对第一损失值、第二损失值以及第三损失值进行加权计算，得到目标损失值。
在一些实施例的步骤S401中，可以基于常用的交叉熵损失函数来计算出原始情绪类别标签和第一样本情绪类别标签进行第一损失计算，得到第一损失值Lframe，该第一损失值能够反映出原始情绪类别标签和第一样本情绪类别标签的差异程度，第一损失值的大小也能够反映模型在帧级别的情绪类别识别效果。例如，若第一损失值越小，则神经网络模型在帧级别的情绪类别识别效果越好，通过神经网络模型得到的第一样本情绪类别标签与原始情绪类别标签越接近。
假定第一情绪类别标签的概率分布为p＝[p0,…,pC-1]，c为情绪类别，每个y是原始情绪类别标签的独热编码表示，即当样本语音数据属于类别i时，yi＝1，否则，yi＝0。
基于原始情绪类别标签和第一样本情绪类别标签进行第一损失计算，得到第一损失值Lframe的过程可以表示如公式(2)所示：
Figure BDA0004173165900000131
在一些实施例的步骤S402中，可以基于常用的交叉熵损失函数来计算出原始情绪类别标签和第二样本情绪类别标签进行第二损失计算，得到第二损失值Lutterance，该第二损失值能够反映出原始情绪类别标签和第二样本情绪类别标签的差异程度，第二损失值的大小也能够反映模型在句级别的情绪类别识别效果。例如，若第二损失值越小，则神经网络模型在句级别的情绪类别识别效果越好，通过神经网络模型得到的第二样本情绪类别标签与原始情绪类别标签越接近。
假定第二情绪类别标签的概率分布为q＝[q0,…,qC-1]，c为情绪类别，每个y是原始情绪类别标签的独热编码表示，即当样本语音数据属于类别j时，yj＝1，否则，yj＝0。
基于原始情绪类别标签和第二样本情绪类别标签进行第二损失计算，得到第二损失值Lutterance的过程可以表示如公式(3)所示：
Figure BDA0004173165900000141
在一些实施例的步骤S403中，在基于多个样本情绪表征向量进行第三损失计算时，可以引入度量学习的思想，通过度量学习的方式来最小化属于相同情绪类别的样本情绪表征向量之间的距离，最大化属于不同情绪类别的样本情绪表征向量之间的距离。
例如，可以采用余弦相似度来描述不同样本情绪表征向量之间的距离情况。假定一个样本情绪表征向量为xi，另一个样本情绪表征向量为xj，则这两个样本情绪表征向量之间的距离可以表示为cos(θij)。将这一余弦距离转换为概率值形式表示有Pij＝(dcos(θij)+e+1/2)，其中，d和e是常数参数，可以根据实际情况设定。
根据上述的两个样本情绪表征向量之间的距离值的概率表示Pij，基于多个样本情绪表征向量进行第三损失计算的过程可以表示如公式(4)所示：
Figure BDA0004173165900000142
其中，S、D为所有样本情绪表征向量所组成的集合，Nsame是原始情绪类别标签相同的样本情绪表征向量的个数，Ndiff是原始情绪类别标签不同的样本情绪表征向量的个数，xi,xj，xk,xl均为样本情绪表征向量。
上述公式(4)能够实现通过度量学习的方式来最小化属于相同情绪类别的样本情绪表征向量之间的距离，最大化属于不同情绪类别的样本情绪表征向量之间的距离，从而得到第三损失值Lmetric。
在一些实施例的步骤S404中，对第一损失值、第二损失值以及第三损失值进行加权计算的过程可以表示如公式(5)所示：
L＝a*Lframe+b*Lutterance+c*Lmetric 公式(5)
其中，L为目标损失值，a、b、c为预设的权重参数。通过预设的权重参数a、b、c能够有效地平衡不同损失函数的所占比重，能够提高目标损失值的准确性。
通过上述步骤S401至步骤S404可以较为方便地确定模型的训练程度以及模型的模型性能，使得能够根据目标损失值的大小确定是否需要对神经网络模型的内部参数进行调整。此外，在本申请实施例中，同时采用了有监督的训练方式(即利用交叉熵损失函数计算第一损失值和第二损失值)和无监督的训练方式(基于度量学习的方式计算第三损失值)进行模型训练，有助于提高模型训练的效果。
在一些实施例的步骤S109中，根据目标损失值对神经网络模型进行参数更新，通过更新神经网络模型的模型参数，使得经过神经网络模型输出的情绪类别标签更贴近于样本语音数据对应的样本情绪类别标签。当经过多次参数更新之后，目标损失值小于或者等于预设的损失阈值时，表明此时的情绪类别标签与样本情绪类别标签的相关程度较好，神经网络模型的情绪识别效果能够满足当前需求，则停止训练神经网络模型，得到情绪识别模型。
本申请实施例的情绪识别装置的训练方法，其通过获取样本对象的样本数据，样本数据包括所述样本对象的样本语音数据和样本语音数据的原始情绪类别标签；对样本语音数据进行特征提取，得到样本声学特征和样本文本特征，样本声学特征用于表征样本对象的说话特点，样本文本特征用于表征样本语音数据的语音内容，这一方式使得能够基于样本声学特征和样本文本特征进行模型训练，提高了特征的多样性和丰富性。进一步地，将样本声学特征和样本文本特征输入至预设的神经网络模型中，神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；基于编码网络对样本声学特征进行编码处理，得到样本声学编码特征，能够使得模型能够更好地学习到样本声学特征中包含的情绪信息，提高模型对不同情绪类别的分类效果和识别效果。基于第一识别网络对样本声学编码特征进行识别处理，得到第一样本情绪类别标签，这一方式使得能够基于第一样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化。基于解码网络对样本声学编码特征、样本文本特征进行注意力计算，得到样本情绪表征向量，能够提高生成的样本情绪表征向量的语义丰富度，使得模型能够从样本情绪表征向量中学习到更多的情绪特征信息。基于第二识别网络对样本情绪表征向量进行识别处理，得到第二样本情绪类别标签，这一方式使得能够基于第二样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化。最后，基于原始情绪类别标签、第一样本情绪类别标签、第二样本情绪类别标签以及样本情绪表征向量进行损失计算，得到目标损失值；并根据目标损失值对神经网络模型进行参数优化，得到情绪识别模型，这一方式能够较为方便地根据目标损失值确定模型的训练程度以及模型的模型性能，也能够根据目标损失值的大小确定是否需要对神经网络模型的内部参数进行调整，从而提高模型训练的效果和模型训练的准确性，有助于获得到识别精度更高的情绪识别模型。
请参阅图5，本申请实施例还提供一种情绪识别方法，该情绪识别方法可以包括但不限于包括步骤S501至步骤S503：
步骤S501，获取目标对象的目标语音数据；
步骤S502，对目标语音数据进行特征提取，得到目标声学特征和目标文本特征，目标声学特征用于表征目标对象的说话特点，目标文本特征用于表征目标语音数据的语音内容；
步骤S503，将目标声学特征和目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，目标情绪类别标签用于表征目标语音数据的情绪类别，情绪识别模型根据上述的训练方法训练得到。
在一些实施例的步骤S501中，可以通过脚本程序从预设的数据库中提取眼获取目标对象的目标语音数据，也可以采用网络爬虫的方式从预设的数据源中爬取数据，得到目标对象的目标语音数据，其中，预设的数据库可以包括各种类型的语音数据库，数据源可以包括各种类型的网络平台、多媒体设备、视听资料等等。目标对象可以包括网络平台的用户、歌手、演讲人员等等。目标语音数据可以是目标对象的演唱素材、演讲素材或者是某一段对话数据等等，不做限制。
上述步骤S502的具体实施方式与上述步骤S102的具体实施例基本相同，在此不再赘述。
请参阅图6，在一些实施例中，情绪识别模型包括编码网络、解码网络、第一识别网络和第二识别网络，步骤S503包括但不限于包括步骤S601至步骤S607：
步骤S601，基于编码网络对目标声学特征进行编码处理，得到目标声学编码特征；
步骤S602，基于第一识别网络对目标声学编码特征进行情绪识别，得到第一情绪类别标签；
步骤S603，基于解码网络对目标声学编码特征进行注意力计算，得到目标情绪表征向量；
步骤S604，基于第二识别网络对目标情绪表征向量进行情绪识别，得到第二情绪类别标签；
步骤S605，获取目标语音数据的语音长度；
步骤S606，若语音长度小于预设的长度阈值，则将第一情绪类别标签作为目标情绪类别标签；
步骤S607，若语音长度大于或者等于长度阈值，则将第二情绪类别标签作为目标情绪类别标签。
上述步骤S601至步骤S604的具体实施方式与上述步骤S104至步骤S107的具体实施例基本相同，在此不再赘述。
在一些实施例的步骤S605中，目标语音数据的语音长度可以采用语音帧数或者语音持续时间来表征。当采用语音帧数来表征语音长度时，可以通过预设的脚本程序来提取目标语音数据的语音帧数；当采用语音持续时间来表征语音长度时，可以通过预设的计时器或者时钟等等来计算该目标语音数据的语音持续时间。
由于第一识别网络是在帧级别上对目标语音数据进行情绪识别，而第二识别网络则是在句级别上对目标语音数据进行清洗识别，因此，语音长度的不同，会影响第一识别网络和第二识别网络的识别精度。
当第一情绪类别标签和第二情绪类别标签表征相同的情绪类别时，表明第一识别网络和第二识别网络的情绪识别结果一致，没有冲突，则将第一情绪类别标签和第二情绪类别标签中的任意一个作为目标情绪类别标签即可。
而当第一情绪类别标签和第二情绪类别标签表征不同的情绪类别时，表明第一识别网络和第二识别网络的情绪识别结果不一致，存在结果冲突，需要基于目标语音数据的语音长度来选择是以帧级别的识别结果(即第一情绪类别标签)为准还是以句级别的识别结果(即第二情绪类别标签)为准。因此，需要比对语音长度和预设的长度阈值，该预设的长度阈值可以根据实际情况设置，不做限制。
需要说明的是，当语音长度为语音帧数时，长度阈值即为帧数阈值；当语音长度为语音持续时间时，长度阈值即为时间阈值。
在一些实施例的步骤S606中，当语音长度小于预设的长度阈值时，表明该目标语音数据较短，从帧级别进行情绪识别的结果会比从句级别进行情绪识别的结果更准确，因此，将第一情绪类别标签作为目标情绪类别标签。
在一些实施例的步骤S607中，当语音长度大于或者等于预设的长度阈值时，表明该目标语音数据较长，从整体上(即句子级别)来识别目标对象的情绪状态会更合理，因此，从句级别进行情绪识别的结果会比从帧级别进行情绪识别的结果更准确，因此，将第二情绪类别标签作为目标情绪类别标签。
本申请实施例的情绪识别方法，其通过情绪识别模型能够同时从帧级别和句级别上对目标对象的目标语音数据进行情绪识别，并根据目标语音数据的语音长度对帧级别和句级别的识别结果进行分析，得到最终的目标情绪类别标签，能够实现对目标语音数据的多维度识别，能够有效地提高情绪识别的准确性。
请参阅图7，本申请实施例还提供一种情绪识别模型的训练装置，可以实现上述情绪识别模型的训练方法，该训练装置包括：
样本数据获取模块701，用于获取样本对象的样本数据，样本数据包括样本对象的样本语音数据和样本语音数据的原始情绪类别标签，原始情绪类别标签用于表征样本语音数据的情绪类别；
样本特征提取模块702，用于对样本语音数据进行特征提取，得到样本声学特征和样本文本特征，样本声学特征用于表征样本对象的说话特点，样本文本特征用于表征样本语音数据的语音内容；
输入模块703，用于将样本声学特征和样本文本特征输入至预设的神经网络模型中，神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；
编码模块704，基于编码网络对样本声学特征进行编码处理，得到样本声学编码特征；
第一识别模块705，用于基于第一识别网络对样本声学编码特征进行识别处理，得到第一样本情绪类别标签；
注意力计算模块706，用于基于解码网络对样本声学编码特征、样本文本特征进行注意力计算，得到样本情绪表征向量；
第二识别模块707，用于基于第二识别网络对样本情绪表征向量进行识别处理，得到第二样本情绪类别标签；
损失计算模块708，用于基于原始情绪类别标签、第一样本情绪类别标签、第二样本情绪类别标签以及样本情绪表征向量进行损失计算，得到目标损失值；
参数优化模块709，用于根据目标损失值对神经网络模型进行参数优化，得到情绪识别模型。
该情绪识别模型的训练装置的具体实施方式与上述情绪识别模型的训练方法的具体实施例基本相同，在此不再赘述。
请参阅图8，本申请实施例还提供一种情绪识别装置，可以实现上述情绪识别方法，该装置包括：
目标数据获取模块801，用于获取目标对象的目标语音数据；
目标特征提取模块802，用于对目标语音数据进行特征提取，得到目标声学特征和目标文本特征，目标声学特征用于表征目标对象的说话特点，目标文本特征用于表征目标语音数据的语音内容；
情绪识别模块803，用于将目标声学特征和目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，目标情绪类别标签用于表征目标语音数据的情绪类别，情绪识别模型根据上述的训练装置训练得到。
该情绪识别装置的具体实施方式与上述情绪识别方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述情绪识别模型的训练方法或者情绪识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的情绪识别方法或者情绪识别模型的训练方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述情绪识别方法和情绪识别模型的训练方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的情绪识别模型的训练方法、情绪识别方法、情绪识别模型的训练装置、情绪识别装置、电子设备及计算机可读存储介质，其通过获取样本对象的样本数据，样本数据包括所述样本对象的样本语音数据和样本语音数据的原始情绪类别标签；对样本语音数据进行特征提取，得到样本声学特征和样本文本特征，样本声学特征用于表征样本对象的说话特点，样本文本特征用于表征样本语音数据的语音内容，这一方式使得能够基于样本声学特征和样本文本特征进行模型训练，提高了特征的多样性和丰富性。进一步地，将样本声学特征和样本文本特征输入至预设的神经网络模型中，神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；基于编码网络对样本声学特征进行编码处理，得到样本声学编码特征，能够使得模型能够更好地学习到样本声学特征中包含的情绪信息，提高模型对不同情绪类别的分类效果和识别效果。基于第一识别网络对样本声学编码特征进行识别处理，得到第一样本情绪类别标签，这一方式使得能够基于第一样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化。基于解码网络对样本声学编码特征、样本文本特征进行注意力计算，得到样本情绪表征向量，能够提高生成的样本情绪表征向量的语义丰富度，使得模型能够从样本情绪表征向量中学习到更多的情绪特征信息。基于第二识别网络对样本情绪表征向量进行识别处理，得到第二样本情绪类别标签，这一方式使得能够基于第二样本情绪类别标签和原始情绪类别标签的差异性来对模型进行优化。最后，基于原始情绪类别标签、第一样本情绪类别标签、第二样本情绪类别标签以及样本情绪表征向量进行损失计算，得到目标损失值；并根据目标损失值对神经网络模型进行参数优化，得到情绪识别模型，这一方式能够较为方便地根据目标损失值确定模型的训练程度以及模型的模型性能，也能够根据目标损失值的大小确定是否需要对神经网络模型的内部参数进行调整，从而提高模型训练的效果和模型训练的准确性，有助于获得到识别精度更高的情绪识别模型。通过情绪识别模型能够同时从帧级别和句级别上对目标对象的目标语音数据进行情绪识别，并根据目标语音数据的语音长度对帧级别和句级别的识别结果进行分析，得到最终的目标情绪类别标签，能够实现对目标语音数据的多维度识别，能够有效地提高情绪识别的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种情绪识别模型的训练方法，其特征在于，所述训练方法包括：
获取样本对象的样本数据，所述样本数据包括所述样本对象的样本语音数据和所述样本语音数据的原始情绪类别标签，所述原始情绪类别标签用于表征所述样本语音数据的情绪类别；
对所述样本语音数据进行特征提取，得到样本声学特征和样本文本特征，所述样本声学特征用于表征所述样本对象的说话特点，所述样本文本特征用于表征所述样本语音数据的语音内容；
将所述样本声学特征和所述样本文本特征输入至预设的神经网络模型中，所述神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；
基于所述编码网络对所述样本声学特征进行编码处理，得到样本声学编码特征；
基于所述第一识别网络对所述样本声学编码特征进行识别处理，得到第一样本情绪类别标签；
基于所述解码网络对所述样本声学编码特征、所述样本文本特征进行注意力计算，得到样本情绪表征向量；
基于所述第二识别网络对所述样本情绪表征向量进行识别处理，得到第二样本情绪类别标签；
基于所述原始情绪类别标签、所述第一样本情绪类别标签、所述第二样本情绪类别标签以及所述样本情绪表征向量进行损失计算，得到目标损失值；
根据所述目标损失值对所述神经网络模型进行参数优化，得到情绪识别模型。
2.根据权利要求1所述的训练方法，其特征在于，所述编码网络包括嵌入层和编码层，所述基于所述编码网络对所述样本声学特征进行编码处理，得到样本声学编码特征，包括：
通过所述嵌入层对所述样本声学特征进行嵌入处理，得到声学特征嵌入向量；
对所述声学特征嵌入向量进行位置编码，得到初始声学编码特征；
通过所述编码层对所述初始声学编码特征进行编码处理，得到所述样本声学编码特征。
3.根据权利要求1所述的训练方法，其特征在于，所述解码网络包括第一注意力层、第二注意力层，所述基于所述解码网络对所述样本声学编码特征、所述样本文本特征进行注意力计算，得到样本情绪表征向量，包括：
通过所述第一注意力层对所述样本文本特征进行第一注意力计算，得到样本文本编码特征；
通过所述第二注意力层对所述样本文本编码特征和所述样本声学编码特征进行第二注意力计算，得到样本情绪表征向量。
4.根据权利要求1至3任一项所述的训练方法，其特征在于，所述基于所述原始情绪类别标签、所述第一样本情绪类别标签、所述第二样本情绪类别标签以及所述样本情绪表征向量进行损失计算，得到目标损失值，包括：
基于所述原始情绪类别标签和所述第一样本情绪类别标签进行第一损失计算，得到第一损失值；
基于所述原始情绪类别标签和所述第二样本情绪类别标签进行第二损失计算，得到第二损失值；
基于多个所述样本情绪表征向量进行第三损失计算，得到第三损失值；
对所述第一损失值、所述第二损失值以及所述第三损失值进行加权计算，得到所述目标损失值。
5.一种情绪识别方法，其特征在于，所述方法包括：
获取目标对象的目标语音数据；
对所述目标语音数据进行特征提取，得到目标声学特征和目标文本特征，所述目标声学特征用于表征所述目标对象的说话特点，所述目标文本特征用于表征所述目标语音数据的语音内容；
将所述目标声学特征和所述目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，所述目标情绪类别标签用于表征所述目标语音数据的情绪类别，所述情绪识别模型根据权利要求1至4任一项所述的训练方法训练得到。
6.根据权利要求5所述的情绪识别方法，其特征在于，所述情绪识别模型包括编码网络、解码网络、第一识别网络和第二识别网络，所述将所述目标声学特征和所述目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，包括：
基于所述编码网络对所述目标声学特征进行编码处理，得到目标声学编码特征；
基于所述第一识别网络对所述目标声学编码特征进行情绪识别，得到第一情绪类别标签；
基于所述解码网络对所述目标声学编码特征进行注意力计算，得到目标情绪表征向量；
基于所述第二识别网络对所述目标情绪表征向量进行情绪识别，得到第二情绪类别标签；
获取所述目标语音数据的语音长度；
若所述语音长度小于预设的长度阈值，则将所述第一情绪类别标签作为所述目标情绪类别标签；
若所述语音长度大于或者等于所述长度阈值，则将所述第二情绪类别标签作为所述目标情绪类别标签。
7.一种情绪识别模型的训练装置，其特征在于，所述训练装置包括：
样本数据获取模块，用于获取样本对象的样本数据，所述样本数据包括所述样本对象的样本语音数据和所述样本语音数据的原始情绪类别标签，所述原始情绪类别标签用于表征所述样本语音数据的情绪类别；
样本特征提取模块，用于对所述样本语音数据进行特征提取，得到样本声学特征和样本文本特征，所述样本声学特征用于表征所述样本对象的说话特点，所述样本文本特征用于表征所述样本语音数据的语音内容；
输入模块，用于将所述样本声学特征和所述样本文本特征输入至预设的神经网络模型中，所述神经网络模型包括编码网络、解码网络、第一识别网络和第二识别网络；
编码模块，基于所述编码网络对所述样本声学特征进行编码处理，得到样本声学编码特征；
第一识别模块，用于基于所述第一识别网络对所述样本声学编码特征进行识别处理，得到第一样本情绪类别标签；
注意力计算模块，用于基于所述解码网络对所述样本声学编码特征、所述样本文本特征进行注意力计算，得到样本情绪表征向量；
第二识别模块，用于基于所述第二识别网络对所述样本情绪表征向量进行识别处理，得到第二样本情绪类别标签；
损失计算模块，用于基于所述原始情绪类别标签、所述第一样本情绪类别标签、所述第二样本情绪类别标签以及所述样本情绪表征向量进行损失计算，得到目标损失值；
参数优化模块，用于根据所述目标损失值对所述神经网络模型进行参数优化，得到情绪识别模型。
8.一种情绪识别装置，其特征在于，所述装置包括：
目标数据获取模块，用于获取目标对象的目标语音数据；
目标特征提取模块，用于对所述目标语音数据进行特征提取，得到目标声学特征和目标文本特征，所述目标声学特征用于表征所述目标对象的说话特点，所述目标文本特征用于表征所述目标语音数据的语音内容；
情绪识别模块，用于将所述目标声学特征和所述目标文本特征输入至情绪识别模型进行情绪识别，得到目标情绪类别标签，所述目标情绪类别标签用于表征所述目标语音数据的情绪类别，所述情绪识别模型根据权利要求7所述的训练装置训练得到。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现：
权利要求1至4任一项所述的情绪识别模型的训练方法；
或者，
权利要求5至6任一项所述的情绪识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现：
如权利要求1至4任一项所述的情绪识别模型的训练方法；
或者，
如权利要求5至6任一项所述的情绪识别方法。
CN202310382774.4A 2023-04-07 2023-04-07 情绪识别模型的训练方法和装置、电子设备及存储介质 Pending CN116343762A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310382774.4A CN116343762A (zh) 2023-04-07 2023-04-07 情绪识别模型的训练方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310382774.4A CN116343762A (zh) 2023-04-07 2023-04-07 情绪识别模型的训练方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116343762A true CN116343762A (zh) 2023-06-27

Family

ID=86882332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310382774.4A Pending CN116343762A (zh) 2023-04-07 2023-04-07 情绪识别模型的训练方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116343762A (zh)

Similar Documents

Publication Publication Date Title
CN113792818B (zh) 意图分类方法、装置、电子设备及计算机可读存储介质
CN114519395B (zh) 模型的训练方法和装置、文本摘要生成方法和装置、设备
CN113705315B (zh) 视频处理方法、装置、设备及存储介质
CN114298121A (zh) 基于多模态的文本生成方法、模型训练方法和装置
CN116543768A (zh) 模型的训练方法、语音识别方法和装置、设备及存储介质
CN116578688A (zh) 基于多轮问答的文本处理方法、装置、设备及存储介质
CN114841146B (zh) 文本摘要生成方法和装置、电子设备及存储介质
CN116050352A (zh) 文本编码方法和装置、计算机设备及存储介质
CN115497477A (zh) 语音交互方法、语音交互装置、电子设备、存储介质
CN116343747A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
CN114358020A (zh) 疾病部位识别方法、装置、电子设备及存储介质
CN114611529B (zh) 意图识别方法和装置、电子设备及存储介质
CN116956925A (zh) 电子病历命名实体识别方法和装置、电子设备及存储介质
CN116432705A (zh) 文本生成模型构建、文本生成方法和装置、设备及介质
CN116312463A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
CN114398903B (zh) 意图识别方法、装置、电子设备及存储介质
CN114786059B (zh) 视频生成方法、视频生成装置、电子设备、存储介质
CN115270900A (zh) 一种用户意图识别方法和装置、电子设备、存储介质
CN114936274A (zh) 模型训练方法、对话生成方法和装置、设备及存储介质
CN116343762A (zh) 情绪识别模型的训练方法和装置、电子设备及存储介质
CN115130432B (zh) 文本处理方法、文本处理装置、电子设备及存储介质
CN116645961A (zh) 语音识别方法、语音识别装置、电子设备及存储介质
WO2023134085A1 (zh) 问题答案的预测方法、预测装置、电子设备、存储介质
CN116541551A (zh) 音乐分类方法、音乐分类装置、电子设备及存储介质
CN116564274A (zh) 语音合成方法、语音合成装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination