风君子博客12月27日消息，2024年IEEE声学、语音与信号处理国际会议ICASSP 2024（2024 IEEE International Conference on Acoustics, Speech, and Signal Processing）宣布录用奇富科技关于语音情感计算的最新研究成果论文“MS-SENet: Enhancing Speech Emotion Recognition Through Multi-scale Feature Fusion With Squeeze-and-excitation Blocks”。
奇富科技介绍，此次被录用的论文研究方向聚焦在语音情感计算，团队提出了一种名为MS-SENet的新型网络结构，通过高效提取、选择和加权空间和时间多尺度特征，并将这些特征与原始信息相融合，获得更强的语音情绪表征向量。
情感计算领域是一个涉及计算机科学、心理学和语言学等多学科的交叉研究领域，它的主要目的是通过分析和处理语音信号中的情感信息，使计算机能够识别和理解人类的情感状态。业界主流做法是通过音频、文本等多模态信息来进行情感分类，但奇富科技团队认为人类底层情感特征是相通的，是完全可以跨越具体语种和文本内容。
奇富科技自研MS-SENet音频情感计算网络框架
奇富科技团队认为可以从减少提取大量无关紧要的声学特征和针对局部频率和长期时间特征进行融合两方面去提升语音信号的情感表征学习，并基于此提出了MS-SENet框架。MS-SENet通过使用不同尺寸的卷积核提取多尺度时空特征，并引入压励模块来有效捕捉这些多尺度特征。同时通过跳跃连接和空间丢失层防止过拟合并增加模型深度，进一步提高了情感计算模型的表达能力。
另外，奇富科技团队在论文中评估了包括中科院自动化所语音情感数据集、柏林情感数据库、意大利语数据集、互动情感二元运动捕捉数据库、Surrey音频视觉表达情感数据集以及Ryerson音频视觉情感演讲与歌曲数据集在内的六个不同场景的多语种的数据集。和SOTA（state of the art，是指在特定任务中目前表现最优的方法或模型）相比，MS-SENet将UA和WA提高了1.31%和1.61%，同时MS-SENet在具有更多情感类别和较低数据量的情况下，仍然保持着出色的情感识别能力。
据介绍，奇富科技的语音情感计算研究不止于理论突破，更是有成功的实际应用。例如，在贷后降投诉项目中，异常情绪监测首次被应用在实景业务当中。通过对高风险客群的录音通话进行逐通分析，及时遴选出异常情绪的客户，以便相关人员可以及时介入，实验结果表明模型组投诉率低于对照组4个绝对值百分点。