当前位置：首页 > news >正文

Emotion2Vec+语音情感识别系统输出文件结构说明

news 2026/7/16 5:24:35

Emotion2Vec+语音情感识别系统输出文件结构说明

1. 引言

在使用 Emotion2Vec+ Large 语音情感识别系统进行情感分析时，理解其输出文件的结构对于后续的数据处理、二次开发和结果集成至关重要。本文将详细解析该系统在完成一次音频情感识别任务后，所生成的完整输出目录及其内部文件的格式与内容。

通过本指南，您将能够：

清晰掌握每次识别任务产生的所有文件
理解result.json文件中各项数据的具体含义
学会如何读取和利用embedding.npy特征向量进行深度应用
为构建自动化流程或集成到其他系统中提供基础支持

无论您是希望批量处理大量音频，还是计划基于情感特征向量进行聚类、相似度计算等高级分析，了解这些输出细节都是必不可少的第一步。

2. 输出目录结构概览

2.1 输出根目录

系统的所有识别结果均保存在名为outputs/的根目录下。该目录位于应用的主工作路径中，无需用户手动创建，系统会在首次运行时自动生成。

outputs/ └── outputs_YYYYMMDD_HHMMSS/ ├── processed_audio.wav ├── result.json └── embedding.npy (可选)

2.2 时间戳子目录

每次执行“开始识别”操作，系统都会在outputs/目录下创建一个以时间戳命名的新子目录。目录名称格式为outputs_YYYYMMDD_HHMMSS，其中：

YYYYMMDD表示年月日（例如：20240104）
HHMMSS表示时分秒（例如：223000）

这种命名方式确保了每次识别任务的结果都独立存放，避免了文件覆盖的风险，特别适合用于批量处理或长时间运行的项目。每个时间戳目录对应一次完整的识别过程。

3. 核心输出文件详解

3.1 预处理后的音频文件 (processed_audio.wav)

文件路径:outputs/outputs_YYYYMMDD_HHMMSS/processed_audio.wav

这是系统对原始上传音频进行预处理后生成的标准格式音频文件。

文件格式: WAV
采样率: 统一转换为 16kHz
作用:
- 作为模型推理的最终输入
- 可用于验证预处理效果（如降噪、重采样是否成功）
- 在需要保留标准化音频的场景下直接使用

此文件的存在保证了整个识别流程的可追溯性，即使原始文件丢失，也能从输出目录中恢复经过统一处理的音频。

3.2 情感识别结果文件 (result.json)

文件路径:outputs/outputs_YYYYMMDD_HHMMSS/result.json

这是一个标准的 JSON 格式文件，包含了本次情感识别的核心结果和元数据。其结构清晰，易于程序化读取和解析。

{ "emotion": "happy", "confidence": 0.853, "scores": { "angry": 0.012, "disgusted": 0.008, "fearful": 0.015, "happy": 0.853, "neutral": 0.045, "other": 0.023, "sad": 0.018, "surprised": 0.021, "unknown": 0.005 }, "granularity": "utterance", "timestamp": "2024-01-04 22:30:00" }

字段说明：

emotion: 识别出的主要情感标签，采用英文小写形式（如happy,sad）。
confidence: 主要情感的置信度，数值范围 0.00 到 1.00，值越高表示模型对该情感的判断越确定。
scores: 一个对象，包含所有9种情感的详细得分。所有得分之和为 1.00，可用于分析情感的复杂性和混合程度。
granularity: 本次识别所使用的粒度模式，值为utterance或frame，反映了结果的分析级别。
timestamp: 识别任务完成的时间戳，遵循YYYY-MM-DD HH:MM:SS格式，便于日志追踪。

该文件是集成到其他应用中最常用的输出，例如可以将其导入数据库、用于生成报告或触发后续业务逻辑。

3.3 特征向量文件 (embedding.npy) - 可选

文件路径:outputs/outputs_YYYYMMDD_HHMMSS/embedding.npy

此文件仅在 WebUI 中勾选了“提取 Embedding 特征”选项时才会生成。它保存了音频的深层数值化表示，即特征向量。

文件格式: NumPy 数组 (.npy)
内容: 一个高维的浮点数数组，代表了音频在模型隐层空间中的嵌入（Embedding）。
用途:
- 相似度计算: 计算不同音频之间的情感特征相似度。
- 聚类分析: 对大量音频的情感特征进行无监督聚类，发现潜在的情感模式。
- 二次开发: 作为输入特征，用于训练下游的机器学习模型，如情感变化趋势预测、说话人情感风格分类等。

Python 读取示例：

import numpy as np # 加载特征向量 embedding = np.load('outputs/outputs_20240104_223000/embedding.npy') # 打印特征向量的形状（维度） print("Embedding shape:", embedding.shape) # 示例：计算两个音频特征的余弦相似度 # embedding1 = np.load('path/to/first_embedding.npy') # embedding2 = np.load('path/to/second_embedding.npy') # similarity = np.dot(embedding1, embedding2) / (np.linalg.norm(embedding1) * np.linalg.norm(embedding2)) # print("Cosine Similarity:", similarity)