Das Gewinnersystem der Interspeech-2025-Challenge zur Emotionserkennung in der Sprache unter naturalistischen Bedingungen erreichte bei echter Podcast-Sprache über acht Emotionen nur einen Makro-F1 von 0,4316, während das beste von 10 getesteten Modellen auf dem gespielten RAVDESS-Korpus 75,32% ungewichtete Genauigkeit erzielt (EmoBox-Benchmark, Interspeech 2024). Dieselbe Kluft zieht sich durch die klinische Stimmforschung: Deep-Learning-Modelle erreichen gepoolt eine Sensitivität von 0,83 bei der Erkennung von Depressionen aus Sprache (Lu et al., BMC Psychiatry 2025), doch nur 2 von 68 Studien zur psychischen Gesundheit anhand der Stimme testeten ihr Modell an einem unabhängigen Datensatz (Uy et al., Frontiers in Digital Health 2026). Gleichzeitig ist Teletherapie inzwischen Routine: 12,3% der US-Erwachsenen, also 32,6 Millionen Menschen, erhielten 2025 eine psychische Behandlung per Telemedizin (SAMHSA, NSDUH 2025). Wir haben Daten aus den Ranglisten der MSP-Lab-Challenges, den Benchmarks EmoBox und ParaLBench, BMC Psychiatry, Annals of Family Medicine, JMIR, SAMHSA, FAIR Health, CDC NCHS, der American Psychological Association und dem Text der EU-KI-Verordnung zusammengetragen. Zur Demenzseite der stimmbasierten Gesundheitsforschung siehe unsere gesonderte Übersicht zu Stimmbiomarkern für Alzheimer und kognitive Beeinträchtigung.
Diese Seite berichtet ausschließlich Forschungsergebnisse. Sie ist keine medizinische Beratung, und keines der hier beschriebenen Werkzeuge ersetzt die Untersuchung durch eine qualifizierte Fachkraft.
TL;DR
- Der höchste Makro-F1 bei der Emotionserkennung in naturalistischer Sprache mit acht Klassen lag bei 0,4316, gegenüber einer Baseline von 0,3293 (MSP Lab, Rangliste der Interspeech-2025-SER-Challenge).
- Das beste Modell erreichte auf dem gespielten RAVDESS 75,32% ungewichtete Genauigkeit, auf MSP-Podcast aber nur 22,24% (EmoBox-Benchmark, Interspeech 2024).
- Bei 17,98% der 267.905 Sprechbeiträge in MSP-Podcast gab es keine Übereinstimmung der Bewerter bei der primären Emotion (Busso et al., MSP-Podcast Corpus 2025).
- Menschliche Hörer erkannten gespielte Emotionen in RAVDESS-Sprachaudio mit einem Anteil richtiger Antworten von 0,63 (Livingstone und Russo, PLOS ONE 2018).
- Die Depressionserkennung aus Sprache mit Deep Learning erreichte gepoolt 0,83 Sensitivität und 0,86 Spezifität über 16 Studien (Lu et al., BMC Psychiatry 2025).
- Ein Sprachtool, untersucht an 14.898 Erwachsenen (4.456 in der Validierung), erreichte 71,3% Sensitivität und 73,5% Spezifität für mittelschwere bis schwere Depression (Mazur et al., Annals of Family Medicine 2025).
- Nur 2 von 68 Studien zur psychischen Gesundheit anhand der Stimme nutzten eine unabhängige oder datensatzübergreifende Validierung (Uy et al., Frontiers in Digital Health 2026).
- 32,8% der US-Erwachsenen mit einer beliebigen psychischen Erkrankung erhielten 2025 eine Behandlung per Telemedizin (SAMHSA, NSDUH 2025).
- 52,1% der privat versicherten Telemedizin-Patienten hatten im 1. Quartal 2026 eine psychische Diagnose (FAIR Health, Quarterly Telehealth Regional Tracker 2026).
- Das Verbot der EU-KI-Verordnung, Emotionen am Arbeitsplatz und in Schulen abzuleiten, gilt seit dem 2. Februar 2025 (Verordnung (EU) 2024/1689).
- 29% der US-Psychologen nutzten 2025 mindestens monatlich KI, gegenüber 11% im Jahr 2024 (APA, 2025 Practitioner Pulse Survey).
1. Benchmark-Genauigkeit auf Standard-Emotionskorpora
In diesem Abschnitt kehren drei Metriken wieder. Die ungewichtete Genauigkeit (UA) mittelt die Trefferquote jeder Emotionsklasse, sodass jede Emotion gleich zählt. Die gewichtete Genauigkeit (WA) ist schlicht der Anteil korrekter Antworten, wodurch ein Modell belohnt wird, das die häufigste Emotion richtig erkennt. Der Makro-F1 ist ein ähnlicher, klassenbalancierter Wert, der zusätzlich Fehlalarme bestraft.
Auf gespielten oder streng kontrollierten Korpora erzielt das beste Modell zwischen 73,54% UA (IEMOCAP) und 84,62% UA (ESD). Das beste von 10 vortrainierten Modellen erreichte auf dem ESD-Korpus 84,62% UA, auf MSP-Podcast, einem Korpus echter Podcast-Sprache, aber nur 22,24% UA (EmoBox-Benchmark, Interspeech 2024). Auf MSP-Podcast ist die gewichtete Genauigkeit desselben Modells ungefähr doppelt so hoch wie seine ungewichtete, ein Zeichen dafür, dass das Modell bei häufigen Emotionen gut und bei seltenen schlecht abschneidet. Schlagzeilenwerte zur Genauigkeit aus gespielten Korpora sagen deshalb wenig darüber aus, wie sich ein System in einem Telefonat oder einer Therapiesitzung verhält. Die vollständigen Tabellen je Datensatz finden sich im EmoBox-Paper.
| Metrik | Wert | Quelle |
|---|---|---|
| Beste UA unter 10 Modellen (Whisper large v3): IEMOCAP (gespielter Zweierdialog) und RAVDESS (gespielte Sprache) | 73,54% und 75,32% | EmoBox (Ma et al.), Interspeech 2024 |
| RAVDESS-Korpus: professionelle Schauspieler und Sprachaudiodateien | 24 Schauspieler (12 weiblich, 12 männlich), 1.440 Sprachaudiodateien | Livingstone und Russo, RAVDESS-Eintrag bei Zenodo, 2018 |
| CREMA-D und ESD (gespielte Korpora), beste UA | 76,75% und 84,62% | EmoBox (Ma et al.), Interspeech 2024 |
| MSP-Podcast (natürliche Podcast-Sprache), bestes Modell: UA vs. WA | 22,24% vs. 44,10% | EmoBox (Ma et al.), Interspeech 2024 |
| MELD (Dialoge aus TV-Serien), bestes Modell: UA vs. WA | 31,54% vs. 51,89% | EmoBox (Ma et al.), Interspeech 2024 |
| IEMOCAP mit vier Emotionsklassen, beste UA unter 14 akustischen Foundation-Modellen (Whisper-large) | 0,690 | ParaLBench-Benchmark, arXiv 2411.09349 (2024) |
| IEMOCAP mit vier Emotionsklassen, UA von WavLM-large | 0,685 | ParaLBench-Benchmark, arXiv 2411.09349 (2024) |
| Umfang des IEMOCAP-Korpus | Etwa 12 Stunden audiovisueller Daten | USC SAIL Lab, Seite zur IEMOCAP-Datenbank |
Kontext: EmoBox umfasst 32 Emotionsdatensätze in 14 Sprachen. Die Korpora unterscheiden sich in der Zahl der Emotionsklassen und darin, wie die Sprache erzeugt wurde (die kategorialen Labels von IEMOCAP konzentrieren sich auf vier Emotionen, die Sprache von RAVDESS nutzt acht), daher sind Werte innerhalb einer Zeile vergleichbar, nicht aber zwischen Zeilen. Die Ergebnisse von ParaLBench kommen mit einem anderen Modellpool zu ähnlichen Schlüssen.
2. Naturalistische Bedingungen: die Interspeech-2025-Challenge
Die Interspeech-2025-Challenge forderte die Teams auf, acht Emotionen (Wut, Freude, Trauer, Angst, Überraschung, Verachtung, Ekel, neutral) in spontaner Sprache aus dem MSP-Podcast-Korpus zu klassifizieren und Aktivierung (Arousal), Valenz und Dominanz auf einer Skala von 1 bis 7 vorherzusagen. Der siegreiche Makro-F1 von 0,4316 bedeutet einen Gewinn von etwa 0,10 gegenüber der Baseline von 0,3293 (eigene Berechnung anhand der offiziellen Rangliste), was ein echter Fortschritt ist, aber dennoch heißt, dass die meisten Achtfach-Entscheidungen bei natürlicher Sprache schwere Fälle sind.
Die dimensionale Aufgabe erzählt eine ähnliche Geschichte. Der CCC, der Konkordanzkorrelationskoeffizient, misst, wie eng vorhergesagte Werte menschlichen Bewertungen folgen (1 bedeutet perfekte Übereinstimmung). Spitzensysteme bilden die Valenz (wie positiv oder negativ eine Stimme klingt) weit besser ab als die Dominanz (wie souverän ein Sprecher klingt). Das Übersichtspapier der Organisatoren stellt fest, dass die Kombination von Audio- und Text-Foundation-Modellen die robustesten Systeme hervorbrachte.
| Metrik | Wert | Quelle |
|---|---|---|
| Aufgabe 1 (acht Emotionsklassen), Makro-F1 der Baseline | 0,3293 | MSP Lab, Rangliste der Interspeech-2025-SER-Challenge |
| Aufgabe 1, höchster Makro-F1 (Team NTUA) | 0,4316 | MSP Lab, Rangliste der Interspeech-2025-SER-Challenge |
| Aufgabe 2 (Aktivierung, Valenz, Dominanz), durchschnittlicher CCC: Baseline vs. Spitzensystem (Team SAIL) | 0,5797 vs. 0,6076 | MSP Lab, Rangliste der Interspeech-2025-SER-Challenge |
| Aufgabe 2, Spitzensystem: CCC der Valenz vs. CCC der Dominanz | 0,6829 vs. 0,498 | MSP Lab, Rangliste der Interspeech-2025-SER-Challenge |
| Von einem teilnehmenden Team berichtete Einreichungen zu Aufgabe 1 | 166 | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| System desselben Teams, nach Fristende von den Organisatoren bewertet: Makro-F1 | 44,02% | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Trainingsdaten der Challenge: neutrale Beispiele vs. Angst-Beispiele | Neutral etwa 26-mal häufiger | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
Kontext: Das erstplatzierte System MEDUSA nutzte ein Ensemble aus 14 Modellen und wurde dennoch auf einer einzigen RTX-3090-Grafikkarte trainiert, die Obergrenze liegt hier also bei den Daten, nicht bei der Rechenleistung. Die Challenge kombinierte unausgewogene Trainingsdaten mit über die Emotionsklassen balancierten Testsätzen (Dutta et al., ABHINAYA 2025), weshalb der Umgang mit Ungleichgewicht bei den führenden Beiträgen eine Rolle spielte.
3. Label-Mehrdeutigkeit, menschliche Übereinstimmung und korpusübergreifender Transfer
Die niedrigen Werte aus Abschnitt 2 sind teilweise ein Messproblem. Fast jeder fünfte Sprechbeitrag in der finalen MSP-Podcast-Version (48.180 von 267.905) hatte unter mindestens fünf Bewertern keine Übereinstimmung nach relativer Mehrheit bei der primären Emotion (Busso et al., The MSP-Podcast Corpus 2025). Wenn Menschen sich nicht auf ein Label einigen können, erbt ein an diesem Label gemessenes Modell die Uneinigkeit als Obergrenze.
Der Transfer zwischen Korpora ist die zweite Schwachstelle. Ein Modell, das auf einem Datensatz trainiert und auf einem anderen getestet wird (korpusübergreifender Test), trifft auf neue Sprecher, Mikrofone und Labeling-Gewohnheiten. Im korpusübergreifenden Test von EmoBox steuert jedes Korpus 240 Testclips bei, ausgewogen über vier Emotionen (Wut, Freude, neutral, Trauer), sodass reines Raten etwa 25% erzielen würde. Das stärkste Modell, Whisper large v3, lag über die 12 Trainings-Test-Paare zwischen 36,44% und 66,91% Genauigkeit.
| Metrik | Wert | Quelle |
|---|---|---|
| MSP-Podcast 2.0: annotiertes Audio, Sprechbeiträge, Sprecher, Bewerter pro Beitrag | 409 Stunden, 267.905 Beiträge, 3.641 Sprecher, mindestens 5 Bewerter pro Beitrag | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Sprechbeiträge ohne Übereinstimmung nach relativer Mehrheit bei der primären Emotion | 48.180 von 267.905 (17,98%, eigene Berechnung) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Interrater-Übereinstimmung bei der primären Emotion (Kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Als Angst gelabelte Sprechbeiträge | 1.943 von 267.905 (0,73%, eigene Berechnung) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Ungeschulte menschliche Hörer benennen die gespielte Emotion in RAVDESS-Sprache, nur Audio (Anteil richtiger Antworten) | 0,63 (95%-KI 0,62 bis 0,64) | Livingstone und Russo, PLOS ONE 2018 (aktuellste verfügbare Daten) |
| Korpusübergreifende Genauigkeit von Whisper large v3: auf IEMOCAP trainiert, auf RAVDESS getestet vs. auf RAVDESS trainiert, auf SAVEE getestet | 38,24% vs. 66,91% | Korpusübergreifende EmoBox-Rangliste, 2024 |
| Valenz-Übereinstimmung (CCC) eines per Annotatoren abgebildeten Modells: getestet auf MSP-Podcast vs. übertragen auf IEMOCAP | 0,647 vs. 0,516 | Tavernor und Mower Provost, arXiv 2509.12295 (2025) |
Kontext: Der menschliche RAVDESS-Wert und die Modellwerte aus Abschnitt 1 sind kein direkter Wettbewerb, da die Hörer unter anderen Bedingungen zwischen acht Labels plus der Option ‘keine davon’ wählten. Die korpusübergreifenden EmoBox-Zahlen stehen in der öffentlichen Rangliste, und die RAVDESS-Validierungsdaten sind im Zenodo-Eintrag dokumentiert.
4. Genauigkeit der stimmbasierten Erkennung von Depression und Angst
Klinische Stimmmodelle klassifizieren in der Regel keine diskreten Emotionen. Sie sagen vorher, ob der Wert einer Person in einem Fragebogen wie dem PHQ-9 (Depression) oder dem GAD-7 (Angst) eine Schwelle überschreitet. Gepoolt über 16 Deep-Learning-Studien erreichte die sprachbasierte Depressionserkennung 0,83 Sensitivität und 0,86 Spezifität (Lu et al., BMC Psychiatry 2025). Die größte Einzelstudie unten berichtet niedrigere Werte, eine Erinnerung daran, dass gepoolte Durchschnitte aus vielen kleinen Stichproben schmeichelhaft ausfallen können.
Diese Studie erhob mindestens 25 Sekunden freie Sprache von 14.898 Erwachsenen in den USA und Kanada und berichtete in ihrem Validierungssatz mit 4.456 Proben 71,3% Sensitivität (95%-KI 69,0 bis 73,5) und 73,5% Spezifität (95%-KI 71,5 bis 75,5) (Mazur et al., Annals of Family Medicine 2025). Die Studie wurde über NSF-Zuschüsse an den Entwickler finanziert, und drei Autoren sind Mitarbeiter dieses Unternehmens. Angstmodelle sind weit weniger erforscht, und eine Studie bei Schwangeren zeigt, wie fragil sie sind, wenn nur die eigene Sprache der Patientin erhalten bleibt.
| Metrik | Wert | Quelle |
|---|---|---|
| Deep-Learning-Sprachmodelle für Depression: gepoolte Sensitivität / Spezifität (16 Studien) | 0,83 (95%-KI 0,77 bis 0,88) / 0,86 (95%-KI 0,80 bis 0,90) | Lu et al., BMC Psychiatry 2025 |
| Gepoolte AUC: Deep Learning vs. traditionelles maschinelles Lernen | 0,91 vs. 0,89 | Lu et al., BMC Psychiatry 2025 |
| Sprachtool vs. PHQ-9-Wert von 10 oder mehr (Studie mit 14.898 Erwachsenen, 4.456 in der Validierung): Sensitivität / Spezifität | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Validierungsproben, die statt eines Ja/Nein-Ergebnisses als ‘weitere Abklärung empfohlen’ zurückgegeben wurden | 920 von 4.456 (etwa 20%) | Mazur et al., Annals of Family Medicine 2025 |
| Französische Erwachsene aus der Allgemeinbevölkerung (865 Personen): AUC für Depression (PHQ-9) und Angst (GAD-7) | 0,76 und 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Dieselbe Studie: F1-Wert für das Risiko nach PHQ-9 und GAD-7 | 0,49 und 0,50 | Riad et al., Journal of Medical Internet Research 2024 |
| Schwangerschaftsstudie (146 Frauen): F1 des GAD-Modells, vollständiges Interview vs. nur verifizierte Sprache der Patientin | 76% bis 80% vs. 51% bis 65% | Bayrampour et al., Journal of Clinical Psychiatry 2026 |
| Stimmhöhe (Grundfrequenz) bei Depression vs. Kontrollen, gepoolt über 6 Studien | 1,82 Hz niedriger, p = 0,56 (nicht signifikant) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
Kontext: Der AUC-Unterschied zwischen Deep Learning und traditionellen Modellen war in der Analyse von BMC Psychiatry statistisch nicht signifikant, und die JMIR-Studie zu Angst und Depression zeigt, dass ein respektabler AUC-Wert dennoch mit einem bescheidenen F1 einhergehen kann, wenn nur wenige Personen der Stichprobe die Schwelle überschreiten. Zu Verbraucher-Apps, die Sprachtagebücher aufzeichnen, statt auf Krankheiten zu screenen, siehe unsere Übersicht zu KI-Apps für Sprachtagebuch und Therapie.
5. Evidenzlücken: Validierung, Fairness und klinische Reife
Die Genauigkeitswerte aus Abschnitt 4 stammen größtenteils von Modellen, die an Daten getestet wurden, die ihren Trainingsdaten ähneln. Ein Scoping Review von 2026 stellte fest, dass nur 2 von 68 Studien zur psychischen Gesundheit anhand von Stimme und Sprache (3%) ihr Modell an einer unabhängigen oder datensatzübergreifenden Stichprobe validierten (Uy et al., Frontiers in Digital Health 2026). Zusammen mit Abschnitt 3 gelesen, in dem die Genauigkeit zwischen Korpora stark abfällt, ist dies der größte Einzelgrund, Schlagzeilenwerte zur Genauigkeit abzuwerten.
Fairness ist die andere offene Frage. In der Depressionsstudie mit 14.898 Personen lag die Sensitivität bei Männern 14,7 Prozentpunkte niedriger als bei Frauen (59,3% vs. 74,0%), und Männer waren unter den übersehenen Fällen überrepräsentiert (31,7% der falsch negativen Ergebnisse vs. 27,9% des Validierungssatzes). Sprachtechnologie hat eine lange Geschichte ungleicher Leistung über Sprechergruppen hinweg, wie unsere Übersicht zu Akzent-Verzerrung in der Spracherkennung dokumentiert.
| Metrik | Wert | Quelle |
|---|---|---|
| Studien zur psychischen Gesundheit anhand der Stimme mit unabhängiger oder datensatzübergreifender Validierung | 2 von 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Studien desselben Reviews, die auf Depression abzielten | 56 von 68 (82%) | Uy et al., Frontiers in Digital Health 2026 |
| Studien, die Sprache passiv erfassten (Umgebungsaufnahme) | 3 von 68 (4%) | Uy et al., Frontiers in Digital Health 2026 |
| Datensatzbewertungen zum Stimm-Screening mit externer Validierung / Praxistests | 32% / 8% (von 37 Bewertungen) | Muntean-Codrea et al., Life 2026 |
| Datensatzbewertungen mit hoher klinischer Reife | 11% | Muntean-Codrea et al., Life 2026 |
| Eingeschlossene Studien (von 34), die Angst behandelten | 1 | Muntean-Codrea et al., Life 2026 |
| Studien zur Erklärbarkeit klinischer Sprach-KI mit Human-in-the-Loop-Bewertung durch Stakeholder | 0 von 30 | Ebraheem et al., Journal of Medical Internet Research 2026 |
| Sensitivität des Depressions-Sprachtools: Männer vs. Frauen | 59,3% vs. 74,0% | Mazur et al., Annals of Family Medicine 2025 |
Kontext: Der Review in Life hält fest, dass ‘keine Bewertung alle fünf Indikatoren’ der klinischen Reife erfüllte (Muntean-Codrea et al., Life 2026). Der JMIR-Review zur Erklärbarkeit stellte fest, dass 6 seiner 30 Studien externe Daten nutzten, um ihre Erklärungen zu prüfen.
6. Nutzung von Teletherapie bei psychischer Gesundheit
Telemedizin ist der Ort, an dem Stimmanalyse am ehesten laufen würde, weil das Sitzungsaudio ohnehin durch Software läuft. Im Jahr 2025 erhielten 44,7% der US-Erwachsenen mit einer schweren depressiven Episode im vergangenen Jahr, also 8,8 Millionen Menschen, eine psychische Behandlung per Telemedizin (SAMHSA, 2025 NSDUH Annual National Report). Die Nutzung in der Gesamtbevölkerung sank leicht von 12,8% der Erwachsenen im Jahr 2024 auf 12,3% im Jahr 2025, was darauf hindeutet, dass sich Teletherapie als stabiler Kanal etabliert hat und kein Pandemie-Spitzenwert war.
Abrechnungsdaten zeigen dasselbe Bild von der Kostenträgerseite: Psychische Gesundheit ist in jeder Altersgruppe die häufigste Diagnosekategorie in der Telemedizin, und Psychotherapie ist die zweithäufigste Verfahrenskategorie in der Telemedizin (FAIR Health, Quarterly Telehealth Regional Tracker Januar bis März 2026). Bei Psychologen ging die vollständig ferngesteuerte Praxis von 64% im Jahr 2020 auf 21% im Jahr 2023 zurück, während 67% hybrid arbeiten (APA, Infografik der Practitioner Survey 2023, aktuellste verfügbare Daten für diese Aufschlüsselung).
| Metrik | Wert | Quelle |
|---|---|---|
| US-Erwachsene mit psychischer Behandlung per Telemedizin, 2025 | 12,3% (32,6 Millionen) | SAMHSA, 2025 NSDUH Annual National Report |
| US-Erwachsene mit psychischer Behandlung per Telemedizin, 2024 | 12,8% (33,4 Millionen) | SAMHSA, 2024 NSDUH Annual National Report |
| Erwachsene mit einer beliebigen psychischen Erkrankung, per Telemedizin behandelt, 2025 | 32,8% (17,9 Millionen von 54,6 Millionen) | SAMHSA, 2025 NSDUH Annual National Report |
| Telemedizin-Patienten (privat versichert) mit psychischer Diagnose, 1. Quartal 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Dieselbe Messgröße, Patienten im Alter von 19 bis 30 Jahren vs. ab 65 Jahren | 69,4% vs. 22,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Telemedizin-Patienten mit abgerechneten Psychotherapie-Leistungen | 35,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Privat versicherte Patienten mit einer beliebigen Telemedizin-Abrechnungszeile: städtisch vs. ländlich | 18,6% vs. 10,3% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Videobasierte vs. persönliche Psychotherapie, 12 randomisierte Studien (900 Personen): Hedges-g für Symptomreduktion | -0,09 (95%-KI -0,52 bis 0,33), kein signifikanter Unterschied | Systematischer Review und Mehrebenen-Metaanalyse im JMIR, 2026 |
Kontext: Die NHIS, eine andere Bundesbefragung, ergab, dass 14,0% der US-Erwachsenen 2024 Beratung oder Therapie bei einer Fachkraft für psychische Gesundheit erhielten, bei den 18- bis 29-Jährigen waren es 20,2% (CDC NCHS Data Brief No. 564). Das Ergebnis zur Videotherapie stammt aus der JMIR-Metaanalyse von 2026. Zu Krisentelefonen statt geplanter Sitzungen siehe unsere Übersicht zum Anrufaufkommen der 988 Suicide and Crisis Lifeline.
7. Regulierung, Ethik und Haltung der Fachkräfte
Emotionserkennung ist eine der wenigen KI-Anwendungen, die die EU in bestimmten Bereichen ausdrücklich verboten hat. Artikel 5 Absatz 1 Buchstabe f der EU-KI-Verordnung verbietet KI-Systeme, die Emotionen einer natürlichen Person am Arbeitsplatz und in Bildungseinrichtungen ableiten, mit einer Ausnahme aus medizinischen oder Sicherheitsgründen, und dieses Verbot gilt seit dem 2. Februar 2025 (Verordnung (EU) 2024/1689). Außerhalb dieser Bereiche werden Systeme zur Emotionserkennung als Hochrisiko eingestuft, und wer eines einsetzt, muss die ihm ausgesetzten Personen informieren. Die Erwägungsgründe der Verordnung definieren Emotionen als Zustände wie Freude, Trauer, Wut, Überraschung und Ekel und schließen körperliche Zustände wie Schmerz oder Müdigkeit aus.
In den USA zielt die Regulierung auf KI-Therapie statt auf Emotionserkennung. Illinois unterzeichnete am 4. August 2025 das Gesetz zu Wohlbefinden und Aufsicht über psychologische Ressourcen (Wellness and Oversight for Psychological Resources Act), das KI therapeutische Entscheidungen untersagt, administrative Unterstützung aber erlaubt (Pressemitteilung des IDFPR von Illinois 2025). Fachkräfte übernehmen KI rasch, aber mit deutlichen Sorgen um Datenschutz und Verzerrungen (APA, 2025 Practitioner Pulse Survey).
| Metrik | Wert | Quelle |
|---|---|---|
| Datum, ab dem das EU-Verbot der Emotionsableitung am Arbeitsplatz und in der Bildung gilt | 2. Februar 2025 | Verordnung (EU) 2024/1689, Artikel 5 und 113 |
| Höchstbetrag der Geldbuße für verbotene KI-Praktiken | EUR 35.000.000 oder 7% des gesamten weltweiten Jahresumsatzes, je nachdem, welcher Betrag höher ist | Verordnung (EU) 2024/1689, Artikel 99 |
| Allgemeines Anwendungsdatum der KI-Verordnung (Emotionserkennung in Anhang III als Hochrisiko aufgeführt) | 2. August 2026 | Verordnung (EU) 2024/1689, Artikel 113 und Anhang III |
| Geldbuße in Illinois pro bestätigtem Verstoß gegen das KI-Therapie-Gesetz | Bis zu 10.000 $ | Pressemitteilung des IDFPR von Illinois, August 2025 |
| US-Psychologen, die KI in ihrer Praxis nie genutzt hatten: 2024 vs. 2025 | 71% vs. 44% | APA, 2025 Practitioner Pulse Survey |
| Psychologen, die KI mindestens monatlich nutzen: 2024 vs. 2025 | 11% vs. 29% | APA, 2025 Practitioner Pulse Survey |
| Psychologen, die mögliche Datenpannen / verzerrte Ein- und Ausgaben als KI-Bedenken nennen, 2025 | 67% / 63% | APA, 2025 Practitioner Pulse Survey |
| Psychologen ohne freie Plätze für neue Patienten / mit Warteliste, 2025 | 46% / 40% | APA, 2025 Practitioner Pulse Survey |
Kontext: Das Gesetz von Illinois wurde in beiden Kammern einstimmig verabschiedet. Die APA-Umfrage hatte 1.742 Antwortende bei 26.502 zugestellten Einladungen, eine Abschlussquote von 6,6%, kleine Verschiebungen zwischen den Jahren sollten daher mit Vorsicht gelesen werden.
Zusammenfassung: Emotionserkennung in der Sprache und Teletherapie in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Höchster Achtklassen-Makro-F1 bei naturalistischer Sprache (vs. Baseline) | 0,4316 (vs. 0,3293) | MSP Lab, Rangliste der Interspeech-2025-SER-Challenge |
| Höchster durchschnittlicher CCC für Aktivierung, Valenz und Dominanz | 0,6076 | MSP Lab, Rangliste der Interspeech-2025-SER-Challenge |
| Beste UA auf RAVDESS (gespielt) vs. MSP-Podcast (natürlich) | 75,32% vs. 22,24% | EmoBox (Ma et al.), Interspeech 2024 |
| MSP-Podcast-Beiträge ohne Übereinstimmung der Bewerter bei der primären Emotion | 17,98% von 267.905 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Bewerter-Übereinstimmung bei der primären Emotion (Kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Neutrale vs. Angst-Beispiele in den Trainingsdaten der Challenge | Neutral etwa 26-mal häufiger | Dutta et al., ABHINAYA, arXiv 2025 |
| Menschliche Hörer bei RAVDESS-Sprachaudio (Anteil richtiger Antworten) | 0,63 | Livingstone und Russo, PLOS ONE 2018 |
| Depressionserkennung mit Deep Learning: gepoolte Sensitivität / Spezifität | 0,83 / 0,86 | Lu et al., BMC Psychiatry 2025 |
| Gepoolte AUC, Deep-Learning-Depressionsmodelle | 0,91 | Lu et al., BMC Psychiatry 2025 |
| Sprachtool (Studie mit 14.898 Erwachsenen): Sensitivität / Spezifität | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Sensitivität des Sprachtools: Männer vs. Frauen | 59,3% vs. 74,0% | Mazur et al., Annals of Family Medicine 2025 |
| AUC für Angst (GAD-7) aus Sprache, 865 Erwachsene | 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Studien zur psychischen Gesundheit anhand der Stimme mit unabhängiger Validierung | 2 von 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Datensatzbewertungen mit hoher klinischer Reife | 11% | Muntean-Codrea et al., Life 2026 |
| US-Erwachsene mit psychischer Behandlung per Telemedizin, 2025 | 12,3% (32,6 Millionen) | SAMHSA, 2025 NSDUH Annual National Report |
| Erwachsene mit schwerer depressiver Episode im vergangenen Jahr, per Telemedizin behandelt, 2025 | 44,7% (8,8 Millionen) | SAMHSA, 2025 NSDUH Annual National Report |
| Telemedizin-Patienten mit psychischer Diagnose, 1. Quartal 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| EU-Verbot der Emotionsableitung am Arbeitsplatz und in der Bildung gilt ab | 2. Februar 2025 | Verordnung (EU) 2024/1689 |
| Psychologen, die KI mindestens monatlich nutzen, 2025 | 29% | APA, 2025 Practitioner Pulse Survey |
Methodik und Quellen
- EmoBox: Multilingual Multi-corpus Speech Emotion Recognition Toolkit and Benchmark (Ma et al., Interspeech 2024) und seine korpusübergreifende Rangliste: Genauigkeit innerhalb eines Korpus und korpusübergreifend.
- ParaLBench: A Large-Scale Benchmark for Computational Paralinguistics over Acoustic Foundation Models (arXiv 2024): IEMOCAP-Ergebnisse für 14 Foundation-Modelle.
- USC SAIL Lab, IEMOCAP-Datenbank: Umfang des Korpus.
- MSP Lab, Interspeech 2025 Challenge on Speech Emotion Recognition in Naturalistic Conditions: Baselines und Ranglisten; Zusammenfassung der Organisatoren in Naini et al., Proc. Interspeech 2025.
- Dutta et al., ABHINAYA (arXiv 2505.18217, 2025) und MEDUSA (arXiv 2506.09556, 2025): Systempapiere der Teilnehmer.
- Busso et al., The MSP-Podcast Corpus (arXiv 2509.09791, 2025): Korpusumfang, Bewerter-Übereinstimmung, Label-Verteilung.
- Tavernor und Mower Provost, Annotatoren-Modellierung für korpusübergreifende SER (arXiv 2509.12295, 2025).
- Livingstone und Russo, RAVDESS, PLOS ONE 2018 und der RAVDESS-Eintrag bei Zenodo.
- Lu et al., BMC Psychiatry 2025; Mazur et al., Annals of Family Medicine 2025; Riad et al., Journal of Medical Internet Research 2024; Bayrampour et al., Journal of Clinical Psychiatry 2026; Cantor-Cutiva et al., Depression and Anxiety 2026.
- Uy et al., Frontiers in Digital Health 2026; Muntean-Codrea et al., Life 2026; Ebraheem et al., Journal of Medical Internet Research 2026.
- SAMHSA, 2025 NSDUH Annual National Report und 2024 NSDUH Annual National Report.
- FAIR Health, Quarterly Telehealth Regional Tracker, January to March 2026, United States.
- CDC NCHS Data Brief No. 564, Mental Health Treatment Among Adults: United States, 2024.
- Metaanalyse zu videobasierter vs. persönlicher Psychotherapie, Journal of Medical Internet Research 2026.
- APA, 2025 Practitioner Pulse Survey und die APA-Infografik zum Telemedizin-Standort 2020 bis 2023.
- Verordnung (EU) 2024/1689 (EU-KI-Verordnung), Text des Amtsblatts: Artikel 3 Nummer 39, Artikel 5 Absatz 1 Buchstabe f, Artikel 50 Absatz 3, Artikel 99 Absatz 3, Artikel 113, Anhang III Nummer 1 Buchstabe c, Erwägungsgrund 18.
- Pressemitteilung des IDFPR von Illinois zu HB1806, 4. August 2025.
- Daten-Hinweis: Benchmark-Werte sind zwischen Korpora nicht vergleichbar, weil sich Label-Sets, Klassenbalance und Metriken unterscheiden (UA, WA, Makro-F1 und CCC messen unterschiedliche Dinge). Das Abstract von ABHINAYA berichtet Platz 4 unter 166 Einreichungen; der Wert von 44,02% wurde von den Organisatoren nach Fristende berechnet und ist kein offizielles Ranking. Das MSP-Podcast-Paper nennt im Text Neutral mit etwa 28% der Beiträge, während die Tabellenwerte (79.117 von 267.905) 29,53% ergeben, und es nennt im Text 409 Stunden gegenüber 407 Stunden in einer Tabelle; als ‘eigene Berechnung’ gekennzeichnete Prozentwerte wurden aus den Tabellenwerten berechnet. Die Studie zum Depressions-Sprachtool wurde über Zuschüsse an ihren Entwickler finanziert, mit drei Mitarbeitern des Unternehmens als Autoren. Die Daten von Riad et al. stammen von 2024 und die menschlichen RAVDESS-Bewertungen von 2018, jeweils die aktuellsten verfügbaren für diese Messgrößen. NSDUH (jede Behandlung, Selbstauskunft) und NHIS (Beratung oder Therapie bei einer Fachkraft) messen unterschiedliche Dinge, daher sollten ihre Prozentwerte nicht direkt verglichen werden. FAIR Health erfasst nur privat versicherte Patienten und hat seinen monatlichen Tracker 2026 durch einen vierteljährlichen ersetzt, sodass ältere Monatswerte nicht direkt vergleichbar sind. Die APA-Umfragen hatten niedrige Abschlussquoten (6,6% im Jahr 2025). Die Daten der EU-KI-Verordnung sind dem Amtsblatt-Text der Verordnung (EU) 2024/1689 entnommen; spätere Änderungen an ihren Fristen sollten anhand der aktuellen konsolidierten Fassung geprüft werden.
Zuletzt aktualisiert: 25. Oktober 2026. Wir aktualisieren diese Übersicht vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn FAIR Health seinen nächsten Quarterly Telehealth Regional Tracker veröffentlicht und das MSP Lab die Ergebnisse seiner nächsten Challenge zur Emotionserkennung in der Sprache bekannt gibt.