我们可以基于零样本语音情感识别来估计购买意图吗？

本文提出了一种零样本语音情感识别（SER）方法，用于估计模型训练时未定义的情绪。传统方法局限于识别由单个单词定义的情绪。此外，我们有动机识别未知的双向情绪，如“我想买 - 我不想买”。为了允许模型自由地使用句子定义类别并估计未知的双向情绪，我们提出的方法在对比语言-音频预训练（CLAP）框架基础上引入了多类和多任务设置。我们还关注购买意图作为一种双向情绪，调查模型对其零样本估计的性能。这项研究是首次尝试从语音直接估计购买意图。实验确认，所提出方法的零样本估计结果与监督学习训练的模型结果水平相同。