Sprach- und Stimmzustände können die akustischen Eigenschaften von Sprache verändern,
Dies könnte sich auf die Leistung paralinguistischer Affektmodelle auswirken
Menschen mit atypischer Sprache. Wir evaluieren öffentlich verfügbare Modelle für
Erkennen kategorialer und dimensionaler Affekte aus der Sprache in einem Datensatz von
atypische Sprache, Vergleich der Ergebnisse mit Datensätzen typischer Sprache. Wir
Untersuchen Sie drei Dimensionen der Sprachatypizität: Verständlichkeit, Welches ist
im Zusammenhang mit der Aussprache; Monopitch, was mit Prosodie zusammenhängt, Und
Härte, was mit der Sprachqualität zusammenhängt. Wir schauen zu (1) verteilend
Trends kategorialer Affektvorhersagen innerhalb des Datensatzes, (2) verteilend
Vergleiche kategorialer Affektvorhersagen mit ähnlichen Datensätzen typischer
Rede, Und (3) Korrelationsstärken zwischen Text- und Sprachvorhersagen für
spontane Rede für Valenz und Erregung. Wir finden, dass die Ausgabe von Affekten ist
Modelle werden maßgeblich durch die Präsenz und den Grad der Sprache beeinflusst
Atypischitäten. Zum Beispiel, Der Prozentsatz der Rede, die als traurig vorhergesagt wird, ist
deutlich höher für alle Arten und Grade atypischer Sprache im Vergleich
zu ähnlichen typischen Sprachdatensätzen. In einer vorläufigen Untersuchung zur Verbesserung
Robustheit für atypische Sprache, Wir finden, dass die Feinabstimmung der Modelle weitergeht
Pseudo-gekennzeichnete atypische Sprachdaten verbessern die Leistung bei atypischer Sprache
ohne die Leistung bei typischer Sprache zu beeinträchtigen. Unsere Ergebnisse unterstreichen die Notwendigkeit
für breitere Trainings- und Bewertungsdatensätze für Sprachemotionsmodelle, und für
Modellierungsansätze, die robust gegenüber Stimm- und Sprachunterschieden sind.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: