从0开始学语音理解模型，SenseVoiceSmall让应用更简单
2026/1/22 8:59:26
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)4. 实际应用场景与建议
4.1 批量处理与自动化
当需要处理大量音频文件时，可以编写脚本遍历outputs/目录下的所有时间戳子目录，自动收集每个result.json文件，并汇总成一个大的 CSV 或数据库表，用于整体分析。
4.2 构建情感分析流水线
将result.json和embedding.npy作为中间产物，可以轻松地构建一个端到端的情感分析流水线。例如：
- 原始音频输入
- 调用 Emotion2Vec+ 系统进行识别
- 解析
result.json获取主要情感 - 读取
embedding.npy进行客户情感画像聚类 - 将结果存入数据仓库并生成可视化报表
4.3 二次开发接口
开发者可以将此系统的输出视为一个强大的“情感特征提取器”。通过编程方式调用系统（如通过命令行启动run.sh并传入参数），然后直接读取输出文件，即可将情感识别能力无缝集成到自己的应用程序、API 服务或研究项目中。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。