本文提出了一种新颖的情感文本转语音合成方法，通过跨域语音情感识别模型和情感文本转语音模型进行联合训练，从而在不需要情感标签的 TTS 数据集上生成具有情感表现力的语音，并且几乎不影响其语音质量。

Oct, 2020

设计并建立了一个包括发音运动学、声学、声门和面部微表情的多模态情感汉语数据库，描述了从语料库设计、被试选择、录音细节和数据处理等方面的详细信息。通过对维度注释数据的统计分析验证了维度注释的有效性。使用支持向量机、卷积神经网络和深度神经网络计算了这七种情感的识别率，结果显示仅使用声学数据识别七种情感的平均识别率约为 82%。因此，该数据库具有高质量，可用作重要的语音分析研究来源，特别是用于多模态情感语音分析任务。

Jan, 2024

EMOVOME 是一个包含 999 条语音信息的数据集，来自 100 位西班牙使用者在即时消息应用上的真实对话，具有性别平衡。该数据集为野外环境下的情感表达提供了基线，包括语音特征和文字特征的情感识别模型的准确率评估。该资源对于野外情感识别的研究和西班牙语的自然、免费资源提供了重要贡献。

Feb, 2024

本文提出了一种深度双重循环编码器模型，利用语音和文本数据进行机器情感识别，该模型表现更优，实验结果显示，当将该模型应用于 IEMOCAP 数据集时，在将数据分配到四个情感类别（愤怒，高兴，悲伤和中性）方面，准确率在 68.8％至 71.8％之间。

Oct, 2018

本文探讨了在 FastSpeech2 的基础上如何通过更改结构实现情感语音的合成，并且在自动和人体评估中， 创造了 EmoSpeech 模型，该模型的 MOS 得分和情感识别准确性均超过了现有模型。

Jun, 2023

使用来自西班牙 100 位说话者之间的即兴语音消息的情感数据集（EMOVOME 数据库），利用 eGeMAPS 特征、基于 Transformer 的模型及其组合，创建了基于说话者的独立 SER 模型，对连续和离散情感进行标注，并比较参考数据库的结果，并分析注释者和性别公平性的影响。使用预训练的 Unispeech-L 模型及其与 eGeMAPS 的组合取得了最高的结果，对于 3 类情感价值和唤醒度的预测，分别达到了 61.64% 和 55.57% 的非加权准确率（UA），相比基线模型提高了 10%。对于情感类别，获得了 42.58% 的 UA。EMOVOME 在情感类别的预测上不及被操纵的 RAVDESS 数据库，在情感价值和唤醒度方面与被引发的 IEMOCAP 数据库效果相似。此外，EMOVOME 的结果随着注释者标签的变化而变化，当结合专家和非专家的注释时，表现出更好的结果和更好的公平性。该研究在评估 SER 模型在现实生活中的应用方面做出了重要贡献，推动了用于分析即兴语音消息的应用程序的开发。

Mar, 2024

本文强调在语音翻译中考虑情感的重要性，并介绍了 MELD-ST 数据集，该数据集用于情感感知的语音翻译任务，包括英至日和英至德语言对。每个语言对都包含约 10,000 个用 MELD 数据集进行情感标注的话语。对数据集使用 SeamlessM4T 模型进行基线实验发现，在某些情况下，通过加入情感标签进行微调可以提高翻译性能，进一步突显了情感感知语音翻译系统需要进一步研究的重要性。

May, 2024

本文介绍了一种情感语音数据库，涵盖男性和女性以及法语男性等不同语音。该数据库可以用于合成和生成语音，并且可以控制情感维度。通过建立一个简单的 MLP 系统，我们可以将中性语音转换为愤怒语音风格，并通过 CMOS 感知测试评估其效率，结果表明该系统的效率非常高，这为未来工作打下了良好的基础。

Jun, 2018

本篇研究提出一个基于深度学习和跨媒介表征学习的情感识别方法，该方法融合了文字和语音特征，并通过评估发现其在 IEMOCAP 数据集上表现优于其它方法。

Sep, 2021

本文介绍了情感化叙事语料库 (EMNS) 数据集的构建，该数据集包含高质量的英式英语语音，具有标记的话语，可增强动态和表现性语言的交互式体验。该数据集提供了更高质量和清洁的录音，以帮助更自然和表现性的语音合成技术用于交互式叙事驱动的体验，同时还公开了远程和可扩展的数据收集系统供研究社区使用。

May, 2023