我要投稿

SpeechLLM: 分析音频演讲者情感的大模型

发布日期：2024-07-02 09:39:42 浏览次数： 2054 来源：AI Code

SpeechLLM 是一种多模态语言模型 (LLM)，专门用于分析和预测对话中说话者的元数据。这种先进的模型集成了语音编码器，可将语音信号转换为有意义的语音表示。这些嵌入与文本指令相结合，然后由 LLM 处理以生成预测。

该模型输入16 KHz的语音音频文件，并预测以下内容：

SpeechActivity：音频信号是否包含语音（True/False）
文字记录：音频的 ASR 文字记录
发言者的性别（女/男）
演讲者的年龄（青年/中年/老年）
说话者的口音（非洲/美洲/凯尔特/欧洲/大洋洲/南亚/东南亚）
说话者的情绪（快乐/悲伤/愤怒/无所谓/沮丧）

Github:https://github.com/skit-ai/SpeechLLM

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

GPT-4 和 GPT-4o的主要区别

2024-09-12

智谱开源新一代多模态大模型CogVLM2，性能媲美GPT-4V

2024-05-30

Flowise AI 工作流进阶: 常用组件介绍+连 Notion 做知识库

2024-06-17

面壁小钢炮 MiniCPM-V 2.6 部署指南

2024-08-06

Qwen2-VL 全链路模型体验、下载、推理、微调实战！

2024-08-30

ChatGPT记忆功能全解析：实用场景与操作指南

2024-06-14

深入解析Llama 3：开发者如何充分利用这一开源大模型

2024-04-21

作为微软开源的全新架构，Florence-2 以其小巧的体积、炸裂的性能以及对多任务的统一处理方式，在视觉理解领域掀起了一阵旋风

2024-06-26

AGI｜基于Joint BERT模型的意图识别技术实践

2024-07-21

企业如何构建大模型营销体系：架构与实战

2024-07-07

大家都在问

为什么生成式AI不擅长同时做两件事？

2024-12-13

如何提取手写票据信息？

2024-12-09

Encord全球首发多模态数据标注编辑器，AI数据开发技术有哪些新趋势？

2024-11-25

大模型能做对数学题吗？

2024-09-26

实测豆包AI视频模型Seaweed，击败Sora的含金量到底有多少？

2024-09-26

多模态大模型中，多模态融合后怎样知道最终结果受哪种模态影响更大？

2024-09-01

从AIGC短剧到金融、零售应用，视频生成大模型价值几何？

2024-07-15

Stable Diffusion中CFG有啥用？

2024-07-14

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯