L'apprendimento automatico prevede le emozioni dalla voce in 1,5 secondi con una precisione simile a quella umana

Ricercatori tedeschi hanno sviluppato modelli di apprendimento automatico in grado di riconoscere le emozioni in brevi frammenti di voce della durata di appena 1,5 secondi con una precisione paragonabile a quella degli esseri umani.

Ecco cosa sappiamo

In un nuovo studio pubblicato sulla rivista Frontiers in Psychology, i ricercatori hanno confrontato tre tipi di modelli: reti neurali profonde (DNN), reti neurali convoluzionali (CNN) e un modello ibrido (C-DNN).

I modelli sono stati addestrati su set di dati tedeschi e canadesi con frasi senza senso pronunciate da attori con toni emotivi diversi, per escludere l'influenza del linguaggio e del significato sul riconoscimento.

"I nostri modelli hanno raggiunto un'accuratezza simile a quella degli esseri umani nella categorizzazione di frasi senza senso con toni emotivi pronunciate da attori", ha dichiarato l'autore principale Hannes Diemerling del Max Planck Institute for Human Development.

I ricercatori hanno scoperto che le DNN e una C-DNN ibrida che combina dati audio e visivi hanno ottenuto risultati migliori rispetto alle CNN che utilizzano solo gli spettrogrammi. Nel complesso, tutti i modelli hanno superato le ipotesi casuali nell'accuratezza del riconoscimento delle emozioni.

Secondo Dimerling, il fatto che gli esseri umani e i modelli di intelligenza artificiale abbiano ottenuto risultati simili potrebbe significare che si basano su modelli simili nel suono per rilevare il sottotesto emotivo.

I ricercatori hanno osservato che tali sistemi potrebbero trovare applicazione in campi che richiedono l'interpretazione delle emozioni, come la terapia o la tecnologia della comunicazione. Tuttavia, sono necessarie ulteriori ricerche sulla durata ottimale delle clip audio e sull'analisi delle espressioni emotive spontanee.

Fonte: TechXplore