近日，ACM国际多媒体会议(ACM International Conference on Multimedia，ACM MM 2024)上组织的多模态与可靠性情感计算研讨会MRAC 24(Multimodal, Generative and Responsible Affective Computing 2024)公布论文接收结果，社交平台Soul App研究成果《Multimodal Emotion Recognition with Vision-language Prompting and Modality Dropout》(基于视觉语言提示与模态暂退的多模态情感识别)成功入选。
作为较早思考将AI应用于社交领域的平台，Soul积极推动AI情感互动能力的研究，目前相关技术已应用于异世界回响、AI苟蛋、群聊派对等AI陪伴、AI辅助的创新场景。此次入选也意味着，继其推出的AI应用/功能得到的用户认可之后，Soul的底层技术能力建设和布局方向也得到了行业和学界的认可。
近年来，情感计算一直都是人工智能方向研究活跃的领域。在多媒体处理、分析与计算领域最具影响力的国际顶级会议，同时也是中国计算机学会推荐的多媒体领域A类国际学术会议 ——ACM(国际多媒体会议)上专门举办多模态与可靠性情感计算研讨会(MRAC24)，正是源于学术领域对情感计算在人机交互领域发展、实际应用的关注，因此吸引了众多知名高校、学者、科技企业的目光。
不久前，人工智能领域顶级的国际学术会议之一国际人工智能联合会议(International Joint Conference on Artificial Intelligence,IJCAI)上组织的多模态情感识别挑战赛MER24同样也是情感计算在当下备受关注的一个缩影。由来自清华大学、中国科学院自动化研究所、帝国理工学院、奥卢大学、南洋理工大学等高校的多位专家学者发起的MER24上，设置了SEMI(半监督学习)、NOISE(噪声鲁棒性)、OV(开放式词汇情绪识别)三个赛道，共有来自知名高校、科技企业等近百支队伍参赛。其中，Soul语音技术团队凭借平台扎实的技术能力积累和创新技术方案，在难度最高、竞争最激烈的SEMI赛道中获得第一名。
《Multimodal Emotion Recognition with Vision-language Prompting and Modality Dropout》一文中核心介绍了Soul团队为提高情绪识别的准确性和泛化性能，提出的多模态情绪识别方法。
Soul提出了基于视觉语言提示学习的微调模型EmoVCLIP，用于基于视频的情绪识别任务。为了提高文本模态情感识别能力，团队针对文本模态使用 GPT-4 打情感伪标签，充分利用 GPT-4 的情感关注能力，提高文本模态在情感识别的准确率，为后续进一步模态融合打下基础。
此外，为了解决多模态融合中的模态依赖性问题，团队采用 Modality Dropout 策略来进行鲁棒信息融合。Soul使用自我训练策略来利用未标记的信息。实验结果表明，Soul的模型在测试中上达到了90.15%的准确率，在MER2024-SEMI赛道中排名第一。
MER2024-SEMI赛道比赛结果
Soul App CTO陶明表示，“在整个AI赛道上我们有两条主线，一条主线是辅助社交，辅助人和人的双边关系，用AI去加强人的表达，提升关系网络建立的效率和质量;第二条主线，是探索人机互动，我们认为未来所有的社交形式都会发生变化，要在人机互动这个方向探索AI情感式陪伴。”
为让AI更好“理解”人，实现有情感、有温度的人机交互，Soul持续推进相关研究和技术积累工作，此次论文也是平台阶段性研究成果和能力的总结之一。现阶段，Soul已积极将相关技术能力应用于异世界回响、AI苟蛋、狼人魅影等多个社交场景，为用户带来更好的交互体验和陪伴感。
例如，在AI互动场景“异世界回响”，拥有多模态情感互动能力的自研大模型支持下，个性化的智能体能够根据用户的语音、文字等信息实时识别情绪，并快速给予相应的情感反馈。据了解，团队目前还在探索在群聊派对、兴趣群组等社交场景中引入情感化AI能力，辅助关系网络建立，提升社交体验。
如今，AIGC技术已广泛应用于各行各业，并在提效方面展现出了惊人的效果。但在强调情绪价值的社交领域，除了提效，AI情感互动能力带来的差异化体验，或将成为AI社交方向下一阶段竞争的焦点。对Soul来说，接下来，将继续加大技术投入，持续探索AI情感互动能力在社交场景的深度融合应用，致力于构建人机交互新场景的同时，真正实现人与AI的双向情感智能交互。
