CanDoYa
SV

Sentimentanalys gratis i webbläsaren

Få språk

Körs helt i din webbläsare - inget laddas upp, ingen registrering.

Klistra in feedback, en recension eller ett inlägg på sociala medier för att bedöma tonen.

Texten bearbetas i en webbläsar-worker och laddas aldrig upp. Första körningen hämtar den publika AI-modellen.

Tre övergripande sentimentsetiketter

Negativ betyder ogynnsam ton, neutral betyder ingen tydlig positiv eller negativ lutning och positiv betyder gynnsam ton.

Finjusterad för arabiska, engelska, franska, tyska, hindi, italienska, portugisiska och spanska.

Byggd från inlägg i sociala medier. Sarkasm, negationer, blandade känslor, fackspråk och text på andra språk kan ge fel etikett.

Dela det här verktyget

Sentimentanalys - vad är det?

Sentimentanalys klassificerar den övergripande attityden i en text som negativ, neutral eller positiv. Det här verktyget kör en flerspråkig XLM-T-modell direkt i din webbläsare och visar poängen för varje etikett. Texten stannar på din enhet, men den publika modellen hämtas vid första analysen.

Så använder du verktyget

  1. 1Klistra in ett användbart utdrag. Skriv eller klistra in en recension, kommentar, ett meddelande eller ett inlägg från sociala medier. En komplett mening ger modellen mer sammanhang än ett enstaka ord.
  2. 2Kör den lokala modellen. Klicka på Analysera sentiment. Låt den första modellhämtningen slutföras; senare besök kan återanvända filerna så länge webbläsarens cache finns kvar.
  3. 3Läs alla tre poäng. Använd den högsta etiketten som en grov signal och jämför dess poäng med alternativen. När poängen ligger nära varandra behövs mänsklig genomläsning i stället för en tvärsäker slutsats.

Vem passar det för

Den här sentimentanalysatorn använder Cardiff NLP:s XLM-T-modell, ett XLM-R-system som tränats på ungefär 198 miljoner flerspråkiga tweets och finjusterats för sentiment på arabiska, engelska, franska, tyska, hindi, italienska, portugisiska och spanska. Etiketterna betyder ogynnsam övergripande ton, ingen tydlig positiv eller negativ lutning och gynnsam övergripande ton. De identifierar inte specifika känslor, sanningshalt, brådska eller författarens avsikt. Svenska ingick inte i finjusteringen, så resultat på svenska är ungefärliga även om modellen ändå returnerar en etikett.

Vid första analysen hämtas kvantiserade ONNX-vikter för modellen plus tokenizer-filer, totalt ungefär 297 MB. En webbläsar-worker kör inferensen utanför huvudgränssnittet. WebGPU används i första hand när det stöds, medan WebAssembly på CPU är en långsammare reserv. Webbläsaren brukar cacha filerna, men privat läge, rensning av lagring eller lite ledigt diskutrymme kan göra att de behöver hämtas igen. Själva texten skickas inte upp, men runtime och modellfiler hämtas som publika resurser från externa värdar.

Vanliga frågor

Laddas min text upp till en server?

Nej. Texten skickas till en worker i din webbläsare och modellen körs på din enhet. Workern hämtar det publika Transformers.js-runtime och modellfilerna från externa värdar, men de begärandena innehåller inte din text. CanDoYa tar inte emot eller lagrar ditt exempel.

Är det här verktyget för sentimentanalys gratis?

Ja. Det behövs inget konto, ingen betalning, ingen API-nyckel och det finns ingen fast analyskvot. Din egen enhet gör arbetet. De praktiska kostnaderna är den första modellhämtningen, lokalt lagringsutrymme i webbläsaren, minne och processortid. Din nätleverantör kan fortfarande ta betalt för den datamängd som används för att ladda ner modellen.

Hur mycket text kan jag analysera?

Du kan klistra in ett vanligt textstycke, men verktyget analyserar som mest de första 1 000 Unicode-tecknen för att hålla inferensen i webbläsaren förutsägbar. Modellens tokenizer trunkerar också text till sitt inmatningsfönster. För längre dokument är det bättre att analysera sammanhängande avsnitt var för sig i stället för att tolka en enda etikett som en fullständig sammanfattning.

Vilka språk stöder sentimentsmodellen?

Finjusteringen för sentiment omfattade arabiska, engelska, franska, tyska, hindi, italienska, portugisiska och spanska. Den flerspråkiga basmodellen kan ge etiketter även för andra språk, men de resultaten har inte samma uppgiftsspecifika träningsunderlag. Den här sidan är på svenska, som inte ingick i finjusteringen, så resultaten ska ses som ungefärliga.

Vad betyder negativ, neutral och positiv?

Negativ betyder att modellen har hittat en ogynnsam övergripande ton. Neutral betyder att den inte ser någon tydlig positiv eller negativ lutning. Positiv betyder att den ser en gynnsam övergripande ton. Etiketterna beskriver hela det inskickade textstycket; de är inte känslokategorier och bevisar inte vad skribenten tycker eller avser.

Vad betyder modellsiffrorna?

De tre siffrorna rangordnar negativ, neutral och positiv för just den här texten och brukar summera till ungefär 100 procent. De är användbara för att jämföra modellens etiketter med varandra, men de är varken garantier eller kalibrerade sannolikheter för att modellen har rätt. En hög siffra kan ändå vara fel, särskilt när texten ligger utanför modellens träningsdomän.

Varför är första hämtningen ungefär 297 MB?

Verktyget använder kvantiserade XLM-R ONNX-vikter på cirka 279 MB och tokenizer-data på cirka 17 MB. Det är mycket större än en lista med nyckelord, men det fångar språkliga mönster i sitt sammanhang i stället för att bara räkna positiva och negativa ord. Webbläsaren brukar cacha dessa filer efter första körningen, men cachelagring är inte garanterad i alla lägen.

Fungerar analysatorn utan WebGPU?

Ja. Workern försöker först använda WebGPU när webbläsare och grafikadapter stöder det. Om den vägen saknas eller inte kan starta försöker verktyget igen med WebAssembly på CPU. CPU-analys använder samma modell och håller texten lokal, men inläsning och inferens kan ta längre tid.