摘要

语音情感识别（Speech Emotion Recognition, SER）是实现更自然人机交互的关键技术之一。然而，SER长期受限于公开的大规模标注数据集的缺乏。为应对这一挑战，本文研究了在无标签数据集上进行无监督表示学习对SER的潜在益处。实验结果表明，对比预测编码（Contrastive Predictive Coding, CPC）方法能够从无标签数据中学习到具有显著性的语音表示，从而提升情感识别的性能。在IEMOCAP数据集上的实验中，该方法在所有情感维度（激活度、效价和支配度）上均取得了当前最优的组内一致性相关系数（Concordance Correlation Coefficient, CCC）表现。此外，在MSP-Podcast数据集上，该方法相较现有基线模型也实现了显著的性能提升。