# AI 语音情绪识别使用教程：本地分析语音情绪，隐私不上传

> 来源：工具派（https://gjupai.com） 原文页面：https://gjupai.com/tutorial/ai-speech-emotion-recognition-guide

## 工具简介

**AI 语音情绪识别**是工具派推出的一款本地 AI 音频分析工具：上传一段语音（或直接在线录音），它会在浏览器本地调用 Wav2Vec2 语音情绪模型，分析说话人的情绪倾向，给出**中性、开心、悲伤、愤怒、恐惧、厌恶**六种情绪的置信度分布。整个过程音频文件**不会上传到服务器**，只在浏览器内完成推理，既保护隐私又无需安装任何软件。除了整体情绪判定，工具还支持对较长音频做**逐 5 秒情绪曲线**分析，直观看到一段对话中情绪的起伏变化，识别结果还能一键导出为 JSON、CSV 或 PNG 报告。

## 功能亮点

- **六种情绪识别**：基于本地 Wav2Vec2 模型，识别中性 😐、开心 😊、悲伤 😢、愤怒 😠、恐惧 😨、厌恶 🤢 六种情绪，每种情绪附带中文说明（如「愤怒：语速急促、音量较大，表达强烈不满」）。
- **全程本地处理**：音频仅在浏览器内解码、重采样和推理，不会上传到任何服务器，适合处理会议录音、私人语音等敏感素材。
- **多种取音方式**：支持拖拽、粘贴或点击上传音频文件（最大 20MB），也可以直接点「录音识别」在线录制，最长可录 30 秒。
- **主情绪卡片 + 详细分布**：识别完成后顶部用大色块卡片突出显示置信度最高的情绪（emoji + 名称 + 百分比 + 解读），下方用进度条列出全部六种情绪的置信度。
- **逐 5 秒情绪曲线**：音频时长 ≥ 5 秒时，可按 5 秒窗口、3 秒步长滑动分析整段音频，生成带颜色图例的折线图，并自动标出置信度超过 70% 的情绪峰值时刻。
- **三种结果导出**：识别结果可导出为 JSON、CSV，或生成一张带标题、主情绪和置信度条形图的 PNG 报告图片，方便归档和分享。

## 参数说明

| 参数 | 说明 | 默认值 / 取值范围 |
| --- | --- | --- |
| 音频文件 | 待分析的语音文件，支持拖拽、粘贴或点击选择 | 音频格式（`audio/*`），最大 20MB |
| 录音识别 | 不上传文件时可直接在线录音 | 最长 30 秒，录音数据仅在本地处理 |
| 单次识别范围 | 「开始识别」按钮分析的内容 | 音频前 10 秒（自动转为 16kHz 单声道后推理） |
| 情绪类别 | 模型输出的情绪标签数 | 固定 6 类：中性、开心、悲伤、愤怒、恐惧、厌恶 |
| 曲线窗口 / 步长 | 情绪曲线分析时的滑动窗口设置 | 窗口 5 秒、步长 3 秒，音频需 ≥ 5 秒 |
| 峰值标记阈值 | 曲线下方自动标注的情绪峰值条件 | 置信度 > 70% 的时间点 |
| 导出格式 | 识别结果的导出方式 | JSON、CSV、PNG 报告（600×400） |

## 使用步骤

1. **打开工具页面**：顶部是工具名称和简介，下方依次是「上传语音音频」区域、录音按钮和蓝色的「开始识别」按钮，无需安装任何软件。

![AI 语音情绪识别主界面：顶部为工具标题与简介，中间白色卡片内是「上传语音音频」虚线拖拽区（提示 audio/* 最大 ](article/202607/1783995041499_8922.png)

2. **上传或录制语音**：把音频文件拖进虚线框、直接粘贴，或点击选择文件（最大 20MB）；也可以点「录音识别」按钮现场录制，最长 30 秒。上传成功后页面会出现一个音频播放器，可以先试听确认内容。

3. **等待模型加载（首次使用）**：首次点击识别时需要加载约 90MB 的本地 AI 模型，页面会显示「AI加载中」进度条，加载完成后会自动缓存，后续使用会很快。

4. **点击「开始识别」**：工具会取音频前 10 秒进行分析。识别完成后，顶部出现主情绪卡片——大 emoji、情绪名称、置信度百分比和一句情绪解读（如「语速轻快、音调上扬，表达积极情绪」）；下方「详细结果」区用进度条列出全部六种情绪的置信度。

5. **分析情绪曲线（可选）**：如果音频时长超过 5 秒，页面底部会出现「逐 5 秒情绪曲线」区域，点击「分析曲线」按钮，工具按 5 秒窗口、3 秒步长逐段识别，生成折线图：横轴是时间（秒），纵轴是置信度，每个点按情绪着色，下方有图例和「峰值标记」（置信度 > 70% 的时刻）。

6. **导出结果**：在「详细结果」右侧可点「导出 JSON」「导出 CSV」保存原始数据，或点「导出 PNG 报告」生成一张含主情绪、置信度条形图和工具派署名的结果图片。

## 使用技巧

- **先用 10 秒以内的片段快速试**：「开始识别」只分析音频前 10 秒，长录音想定位情绪高点时，应配合「分析曲线」而不是反复点「开始识别」。
- **长音频一定要看曲线**：曲线按 3 秒步长滑动，比单点识别信息量大得多，能快速找到会议或访谈中情绪激动的时刻（峰值标记会直接列出时间点）。
- **录音比传文件更省事**：想快速测试或分析自己刚说的一段话，直接点「录音识别」录 30 秒内即可，省去导出音频文件的步骤。
- **注意背景噪音**：模型对干净的人声效果最好，背景音乐、多人同时说话会拉低主情绪置信度，正式分析前建议先降噪或截取单人发言片段。
- **CSV 适合做二次统计**：导出的 CSV 含「情绪」「置信度」两列，可直接用 Excel 打开做图表；需要程序处理时选 JSON。
- **首次加载慢属正常**：约 90MB 模型只需下载一次并自动缓存，之后打开页面识别会快很多，建议在网络良好的环境完成首次加载。

## 常见问题

**Q1：上传的音频会泄露吗？**
不会。音频文件只在浏览器本地解码和推理，全程不经过服务器；页面也有明确的隐私提示。这也是首次使用需要加载约 90MB 模型的原因——模型下载到本地后离线运行。

**Q2：支持哪些音频格式和大小？**
只要是浏览器能解码的音频格式（`audio/*`，如 MP3、WAV、M4A、OGG 等）都可以，文件最大 20MB。工具会自动把音频转成 16kHz 单声道再送入模型。

**Q3：为什么长音频的「开始识别」结果只反映开头部分？**
为保证本地推理稳定，单次识别会截取音频前 10 秒。想分析整段，请使用「逐 5 秒情绪曲线」，它会按 5 秒窗口、3 秒步长覆盖整段音频。

**Q4：为什么看不到「分析曲线」按钮？**
情绪曲线要求音频时长至少 5 秒（一个完整窗口），短于 5 秒的音频不显示该区域；此外需要先成功上传并解码音频后才会出现。

**Q5：六种情绪的置信度加起来一定是 100% 吗？**
大致如此。模型输出 top 6 个标签的置信度，由于本工具固定展示全部六类，进度条可以近似理解为情绪分布，但四舍五入后总和可能略有偏差。

**Q6：识别结果和实际感受不符怎么办？**
情绪识别依赖语速、音调等声学特征，对反讽、压抑情绪或带背景音乐的语音可能误判。建议截取情绪最明显的片段再识别，或结合情绪曲线看多段结果综合判断。