Тема выпускной квалификационной работы: «Сравнительный анализ нейросетевых методов распознавания эмоций в речи». Целью работы является изучение и сравнение различных методов машинного и глубокого обучения для решения задачи распознавания эмоционально окрашенной речи. Задачи, которые решались в ходе исследования: 1. Изучение традиционных методов для распознавания речи; 2. Изучение методов на основе машинного обучения и нейронных сетей; 3. Программная реализация эксперимента по построению и тестированию различных моделей. Работа проведена в интегрированных средах разработки IDLE и Jupyter Notebook на языке программирования Python с использованием смешанного набора данных, состоящего из аудиозаписей наборов TESS и RAVDESS. Было проведено обучение и тестирование моделей при помощи библиотек Sklearn и Keras (Tensorflow), получены результаты точности на объединенном наборе аудиозаписей. Результаты подтвердили более высокую точность нейросетевых методов по сравнению с методами машинного обучения и традиционными методами. В результате было спроектировано, отлажено и протестировано приложение с графическим пользовательским интерфейсом, позволяющее выполнить классификацию эмоций в речи для неизученных аудиозаписей при помощи сверточной нейронной сети в качестве метода распознавания.

The subject of the graduate qualification work: «Comparative analysis of neural network methods for recognizing emotions in speech». The aim of the work is to the study and comparison of various methods of machine and deep learning for solving the problem of recognizing emotional speech. Tasks that were solved in the course of the study: 1. Study of traditional methods for speech recognition; 2. Studying methods based on machine learning and neural networks; 3. Software implementation of an experiment to build and test various models. The work was carried out in the IDLE and Jupyter Notebook integrated development environments in the Python programming language using a mixed dataset consisting of audio recordings of the TESS and RAVDESS sets. The models were trained and tested using the Sklearn and Keras (Tensorflow) libraries, and accuracy results were obtained on a combined set of audio recordings. The results confirmed the higher accuracy of neural network methods compared to machine learning and traditional methods. As a result, a graphical user interface (GUI) application was designed, debugged, and tested to classify emotions in speech for unexplored audio recordings using convolutional neural network as a recognition method.