arXiv · cs.AI · Fengji Jing, Guy Laban · 9 小时前模型评分44
音频大语言模型多模态语音情感识别的不一致感知评估
Incongruence-Aware Evaluation of Multimodal Speech Emotion Recognition in Audio Large Language Models
导读
研究提出一种无需阈值的连续“不一致分数”，用双分量高斯混合把文本与音频在效价-唤醒-支配空间中的距离量化，并用人类判断验证。在 eNTERFACE'05、MELD 和 CMU-MOSEI 三个语料上评估三款音频能力模型后发现，只要音频存在，不一致就会提高出错几率，而同样特征训练的监督分类器表现相反。代码、数据表和提示词已公开。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We ask whether that disagreement degrades speech emotion recognition.”
- “Code, data tables and prompts are released.”
来源：arXiv · cs.AI · arxiv.org