近日，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”。ICASSP上的成功发表是奇富科技在全球科技舞台上又一次的闪耀，也是对团队科研能力和创新实力的最佳证明。
ICASSP是由IEEE电气电子工程师学会主办的信号处理领域的顶级国际会议，在国际上享有广泛的学术影响力。本年度将于2024年4月14日至19日在韩国首尔举行会议，主题为“信号处理技术：迈向真正智能的基石”，奇富科技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(图1)。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。
图1 奇富科技自研MS-SENet音频情感计算网络框架
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。
表1 奇富科技自研MS-SENet与学术界2019~2023年度SOTA在六大评测集上的表现
奇富科技团队还利用t-SNE技术对MS-SENet和SOTA模型（TIM-Net）的表征进行了可视化，从下图可以观察到MS-SENet形成了具有清晰分类边界的独特表征聚类。
图2 奇富科技自研MS-SENet与2023年度SOTA(TIM-Net)在SAVEE语料库上的可视化表征图，图(b)各个情绪分类边界明显更清晰
奇富科技的语音情感计算研究不止于理论突破，更是实际应用的成功典范。
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。
此外，奇富科技大模型部自研的Orpheus-声学感知系统（Orpheus Acoustics Perceptual System，以下简称Orpheus-APS）中已成功地整合情感计算模块，该系统着重聚焦声学环境、音频内容和说话人三大感知维度，提供了崭新的智能外呼平台交互质量评估视角。例如，在质检场景中，Orpheus-APS不仅具备传统声学检测功能，更以其情感感知能力为亮点。与市面上已有简单的单句维度情感分类不同，Orpheus-APS可以在时间维度绘制连续的完整情绪光谱，更直观呈现说话者在通话过程中情绪状态的连续变化。情绪光谱的绘制精准反馈了坐席在通话过程中的情绪波动和趋势，为质检人员提供了全新的观察角度，也为企业利用好海量通话交互数据提供了全新的工具，是实现业务管理决策、战略规划数智化过程中重要的一步。
图3 某贷后坐席的录音情绪光谱图，直观反映坐席在通话过程中的情绪波动过程
此次论文的成功录用，不仅是奇富科技团队的成果，更是中国科技创新的典范。奇富科技在国际顶会上的亮眼表现，将进一步提升中国科技企业的国际声望，为产业升级和技术进步贡献更多力量。