El sistema ganador del desafío Interspeech 2025 de reconocimiento de emociones en el habla en condiciones naturalistas alcanzó un macro-F1 de solo 0,4316 en ocho emociones, con habla real de pódcast, mientras que el mejor de 10 modelos evaluados logra un 75,32% de exactitud no ponderada en el corpus actuado RAVDESS (benchmark EmoBox, Interspeech 2024). La misma brecha atraviesa la investigación clínica con voz: los modelos de deep learning agrupan una sensibilidad de 0,83 para detectar depresión a partir del habla (Lu et al., BMC Psychiatry 2025), pero solo 2 de 68 estudios de salud mental con voz probaron su modelo en un conjunto de datos independiente (Uy et al., Frontiers in Digital Health 2026). Mientras tanto, la teleterapia ya es rutina: el 12,3% de los adultos de EE. UU., es decir, 32,6 millones de personas, recibió tratamiento de salud mental por telesalud en 2025 (SAMHSA, NSDUH 2025). Reunimos datos de las tablas de clasificación de los desafíos del MSP Lab, de los benchmarks EmoBox y ParaLBench, de BMC Psychiatry, Annals of Family Medicine, JMIR, SAMHSA, FAIR Health, CDC NCHS, la American Psychological Association y el texto del Reglamento de IA de la UE. Para el lado de la demencia en la investigación de salud por voz, consulte nuestro análisis aparte sobre biomarcadores de voz para el Alzheimer y el deterioro cognitivo.
Esta página solo informa de hallazgos de investigación. No es asesoramiento médico, y ninguna de las herramientas descritas aquí sustituye la evaluación de un profesional clínico cualificado.
TL;DR
- El mayor macro-F1 en reconocimiento de emociones en habla naturalista de ocho clases fue 0,4316, frente a un baseline de 0,3293 (MSP Lab, tabla de clasificación del desafío SER de Interspeech 2025).
- El mejor modelo alcanzó 75,32% de exactitud no ponderada en el RAVDESS actuado, pero 22,24% en MSP-Podcast (benchmark EmoBox, Interspeech 2024).
- El 17,98% de los 267.905 turnos de habla de MSP-Podcast no tuvo acuerdo entre evaluadores sobre la emoción principal (Busso et al., MSP-Podcast Corpus 2025).
- Los oyentes humanos identificaron emociones actuadas en audios de habla del RAVDESS con una proporción de aciertos de 0,63 (Livingstone y Russo, PLOS ONE 2018).
- La detección de depresión a partir del habla con deep learning agrupó una sensibilidad de 0,83 y una especificidad de 0,86 en 16 estudios (Lu et al., BMC Psychiatry 2025).
- Una herramienta de voz estudiada en 14.898 adultos (4.456 en la validación) alcanzó 71,3% de sensibilidad y 73,5% de especificidad para la depresión moderada a grave (Mazur et al., Annals of Family Medicine 2025).
- Solo 2 de 68 estudios de salud mental con voz usaron validación independiente o entre conjuntos de datos (Uy et al., Frontiers in Digital Health 2026).
- El 32,8% de los adultos de EE. UU. con cualquier enfermedad mental recibió tratamiento por telesalud en 2025 (SAMHSA, NSDUH 2025).
- El 52,1% de los pacientes de telesalud con seguro privado tenía un diagnóstico de salud mental en el 1.er trimestre de 2026 (FAIR Health, Quarterly Telehealth Regional Tracker 2026).
- La prohibición del Reglamento de IA de la UE sobre la inferencia de emociones en el trabajo y en las escuelas se aplica desde el 2 de febrero de 2025 (Reglamento (UE) 2024/1689).
- El 29% de los psicólogos de EE. UU. usó IA al menos una vez al mes en 2025, frente al 11% en 2024 (APA, 2025 Practitioner Pulse Survey).
1. Exactitud en Benchmarks con Corpus Estándar de Emociones
Tres métricas se repiten en esta sección. La exactitud no ponderada (UA) promedia la tasa de acierto de cada clase de emoción, de modo que todas las emociones cuentan por igual. La exactitud ponderada (WA) es la simple proporción de respuestas correctas, que premia al modelo por acertar la emoción más común. El macro-F1 es una puntuación similar, balanceada por clases, que además penaliza las falsas alarmas.
En corpus actuados o estrechamente controlados, el mejor modelo puntúa entre 73,54% de UA (IEMOCAP) y 84,62% de UA (ESD). El mejor de 10 modelos preentrenados obtuvo 84,62% de UA en el corpus ESD, pero solo 22,24% de UA en MSP-Podcast, un corpus de habla real de pódcast (benchmark EmoBox, Interspeech 2024). En MSP-Podcast, la exactitud ponderada del mismo modelo es aproximadamente el doble de la no ponderada, señal de que el modelo funciona bien con las emociones frecuentes y mal con las raras. Las cifras de exactitud destacadas de los corpus actuados dicen, por tanto, poco sobre cómo se comporta un sistema en una llamada telefónica o en una sesión de terapia. Las tablas completas por conjunto de datos están en el artículo de EmoBox.
| Métrica | Valor | Fuente |
|---|---|---|
| Mejor UA entre 10 modelos (Whisper large v3): IEMOCAP (diálogo diádico actuado) y RAVDESS (habla actuada) | 73,54% y 75,32% | EmoBox (Ma et al.), Interspeech 2024 |
| Corpus RAVDESS: actores profesionales y archivos de audio de habla | 24 actores (12 mujeres, 12 hombres), 1.440 archivos de audio de habla | Livingstone y Russo, registro de RAVDESS en Zenodo, 2018 |
| CREMA-D y ESD (corpus actuados), mejor UA | 76,75% y 84,62% | EmoBox (Ma et al.), Interspeech 2024 |
| MSP-Podcast (habla natural de pódcast), mejor modelo: UA vs WA | 22,24% vs 44,10% | EmoBox (Ma et al.), Interspeech 2024 |
| MELD (diálogos de series de TV), mejor modelo: UA vs WA | 31,54% vs 51,89% | EmoBox (Ma et al.), Interspeech 2024 |
| IEMOCAP con cuatro clases de emoción, mejor UA entre 14 modelos de base acústicos (Whisper-large) | 0,690 | Benchmark ParaLBench, arXiv 2411.09349 (2024) |
| IEMOCAP con cuatro clases de emoción, UA de WavLM-large | 0,685 | Benchmark ParaLBench, arXiv 2411.09349 (2024) |
| Tamaño del corpus IEMOCAP | Unas 12 horas de datos audiovisuales | USC SAIL Lab, página de la base de datos IEMOCAP |
Contexto: EmoBox abarca 32 conjuntos de datos de emociones en 14 idiomas. Los corpus difieren en su número de clases de emoción y en cómo se produjo el habla (las etiquetas categóricas de IEMOCAP se centran en cuatro emociones, el habla de RAVDESS usa ocho), así que las puntuaciones son comparables dentro de una fila, pero no entre filas. Los resultados de ParaLBench llegan a conclusiones similares con un conjunto distinto de modelos.
2. Condiciones Naturalistas: el Desafío Interspeech 2025
El desafío Interspeech 2025 pidió a los equipos clasificar ocho emociones (ira, felicidad, tristeza, miedo, sorpresa, desprecio, asco, neutral) en habla espontánea del corpus MSP-Podcast, y predecir activación, valencia y dominancia en una escala de 1 a 7. El macro-F1 ganador de 0,4316 supone una mejora de unos 0,10 sobre el baseline de 0,3293 (cálculo propio a partir de la tabla de clasificación oficial), lo cual es un avance real, pero aun así significa que la mayoría de las decisiones entre ocho clases en habla natural son difíciles.
La tarea dimensional cuenta una historia parecida. El CCC, el coeficiente de correlación de concordancia, mide qué tan de cerca siguen las puntuaciones predichas a las valoraciones humanas (1 significa concordancia perfecta). Los mejores sistemas siguen la valencia (qué tan positiva o negativa suena una voz) mucho mejor que la dominancia (qué tan en control suena el hablante). El artículo-resumen de los organizadores señala que combinar modelos de base de audio y de texto produjo los sistemas más robustos.
| Métrica | Valor | Fuente |
|---|---|---|
| Tarea 1 (ocho clases de emoción), macro-F1 del baseline | 0,3293 | MSP Lab, tabla de clasificación del desafío SER de Interspeech 2025 |
| Tarea 1, mayor macro-F1 (equipo NTUA) | 0,4316 | MSP Lab, tabla de clasificación del desafío SER de Interspeech 2025 |
| Tarea 2 (activación, valencia, dominancia), CCC promedio: baseline vs mejor sistema (equipo SAIL) | 0,5797 vs 0,6076 | MSP Lab, tabla de clasificación del desafío SER de Interspeech 2025 |
| Tarea 2, mejor sistema: CCC de valencia vs CCC de dominancia | 0,6829 vs 0,498 | MSP Lab, tabla de clasificación del desafío SER de Interspeech 2025 |
| Envíos a la Tarea 1 informados por uno de los equipos participantes | 166 | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Sistema del mismo equipo, puntuado por los organizadores tras el plazo: macro-F1 | 44,02% | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Datos de entrenamiento del desafío: muestras neutrales vs muestras de miedo | Neutrales unas 26 veces más frecuentes | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
Contexto: el sistema MEDUSA, de primer puesto, usó un conjunto de 14 modelos y aun así se entrenó con una sola tarjeta gráfica RTX 3090, por lo que el techo aquí son los datos, no la capacidad de cómputo. El desafío combinó datos de entrenamiento desbalanceados con conjuntos de prueba balanceados entre las clases de emoción (Dutta et al., ABHINAYA 2025), y por eso el manejo del desbalance figuró en las propuestas líderes.
3. Ambigüedad de las Etiquetas, Acuerdo Humano y Transferencia entre Corpus
Las puntuaciones bajas de la sección 2 son en parte un problema de medición. Casi uno de cada cinco turnos de habla en la versión final de MSP-Podcast (48.180 de 267.905) no tuvo acuerdo por mayoría relativa sobre la emoción principal entre al menos cinco evaluadores (Busso et al., The MSP-Podcast Corpus 2025). Cuando las personas no logran ponerse de acuerdo sobre una etiqueta, un modelo evaluado frente a esa etiqueta hereda el desacuerdo como techo.
La transferencia entre corpus es el segundo punto débil. Un modelo entrenado con un conjunto de datos y probado con otro (prueba entre corpus) enfrenta nuevos hablantes, micrófonos y costumbres de etiquetado. En la prueba entre corpus de EmoBox, cada corpus aporta 240 fragmentos de prueba balanceados entre cuatro emociones (enojo, felicidad, neutral, tristeza), de modo que adivinar al azar daría cerca de 25%. El modelo más sólido, Whisper large v3, osciló entre 36,44% y 66,91% de exactitud en los 12 pares de entrenamiento y prueba.
| Métrica | Valor | Fuente |
|---|---|---|
| MSP-Podcast 2.0: audio anotado, turnos de habla, hablantes, evaluadores por turno | 409 horas, 267.905 turnos, 3.641 hablantes, al menos 5 evaluadores por turno | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Turnos de habla sin acuerdo por mayoría relativa sobre la emoción principal | 48.180 de 267.905 (17,98%, cálculo propio) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Acuerdo entre evaluadores sobre la emoción principal (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Turnos de habla etiquetados como miedo | 1.943 de 267.905 (0,73%, cálculo propio) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Oyentes humanos sin entrenamiento que nombran la emoción actuada en el habla de RAVDESS, solo audio (proporción de aciertos) | 0,63 (IC del 95% 0,62 a 0,64) | Livingstone y Russo, PLOS ONE 2018 (datos más recientes disponibles) |
| Exactitud entre corpus de Whisper large v3: entrenado con IEMOCAP y probado en RAVDESS vs entrenado con RAVDESS y probado en SAVEE | 38,24% vs 66,91% | Tabla de clasificación entre corpus de EmoBox, 2024 |
| Acuerdo de valencia (CCC) de un modelo mapeado por anotadores: probado en MSP-Podcast vs transferido a IEMOCAP | 0,647 vs 0,516 | Tavernor y Mower Provost, arXiv 2509.12295 (2025) |
Contexto: la cifra humana de RAVDESS y las puntuaciones de los modelos de la sección 1 no son una competencia directa, ya que los oyentes eligieron entre ocho etiquetas más una opción ‘ninguna de estas’ en condiciones distintas. Las cifras entre corpus de EmoBox están en la tabla de clasificación pública, y los datos de validación de RAVDESS están documentados en su registro de Zenodo.
4. Exactitud de la Detección de Depresión y Ansiedad por la Voz
Los modelos clínicos de voz normalmente no clasifican emociones discretas. Predicen si la puntuación de una persona en un cuestionario como el PHQ-9 (depresión) o el GAD-7 (ansiedad) supera un umbral. Agrupando 16 estudios de deep learning, la detección de depresión a partir del habla alcanzó una sensibilidad de 0,83 y una especificidad de 0,86 (Lu et al., BMC Psychiatry 2025). El mayor estudio individual que sigue informa cifras más bajas, un recordatorio de que los promedios agrupados de muchas muestras pequeñas pueden resultar demasiado favorables.
Ese estudio recogió al menos 25 segundos de habla libre de 14.898 adultos en EE. UU. y Canadá y, en su conjunto de validación de 4.456 muestras, informó 71,3% de sensibilidad (IC del 95% 69,0 a 73,5) y 73,5% de especificidad (IC del 95% 71,5 a 75,5) (Mazur et al., Annals of Family Medicine 2025). El estudio se financió con subvenciones de la NSF concedidas a la desarrolladora, y tres autores son empleados de esa empresa. Los modelos de ansiedad están mucho menos estudiados, y un estudio en embarazadas muestra lo frágiles que son cuando solo se conserva el habla de la propia paciente.
| Métrica | Valor | Fuente |
|---|---|---|
| Modelos de habla con deep learning para depresión: sensibilidad / especificidad agrupadas (16 estudios) | 0,83 (IC del 95% 0,77 a 0,88) / 0,86 (IC del 95% 0,80 a 0,90) | Lu et al., BMC Psychiatry 2025 |
| AUC agrupada: deep learning vs machine learning tradicional | 0,91 vs 0,89 | Lu et al., BMC Psychiatry 2025 |
| Herramienta de voz vs puntuación de 10 o más en el PHQ-9 (estudio de 14.898 adultos, 4.456 en la validación): sensibilidad / especificidad | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Muestras de validación devueltas como ‘se recomienda una evaluación adicional’ en lugar de un resultado sí/no | 920 de 4.456 (cerca del 20%) | Mazur et al., Annals of Family Medicine 2025 |
| Adultos franceses de la población general (865 personas): AUC para depresión (PHQ-9) y ansiedad (GAD-7) | 0,76 y 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Mismo estudio: puntuación F1 para el riesgo en PHQ-9 y GAD-7 | 0,49 y 0,50 | Riad et al., Journal of Medical Internet Research 2024 |
| Estudio en embarazadas (146 mujeres): F1 del modelo de GAD, entrevista completa vs solo habla verificada de la paciente | 76% a 80% vs 51% a 65% | Bayrampour et al., Journal of Clinical Psychiatry 2026 |
| Tono de la voz (frecuencia fundamental) en depresión vs controles, agrupado en 6 estudios | 1,82 Hz menor, p = 0,56 (no significativo) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
Contexto: la diferencia de AUC entre deep learning y los modelos tradicionales no fue estadísticamente significativa en el análisis de BMC Psychiatry, y el estudio de JMIR sobre ansiedad y depresión muestra que una AUC respetable puede ir acompañada de un F1 modesto cuando pocas personas de la muestra superan el umbral. Para aplicaciones de consumo que graban diarios de voz en lugar de detectar enfermedades, consulte nuestro análisis sobre aplicaciones de diario de voz y terapia con IA.
5. Lagunas de Evidencia: Validación, Equidad y Preparación Clínica
Las cifras de exactitud de la sección 4 proceden sobre todo de modelos probados con datos parecidos a los de su entrenamiento. Una revisión de alcance de 2026 halló que solo 2 de 68 estudios de salud mental con voz y habla (3%) validaron su modelo en una muestra independiente o de otro conjunto de datos (Uy et al., Frontiers in Digital Health 2026). Leído junto con la sección 3, donde la exactitud cae bruscamente entre corpus, este es el mayor motivo individual para descontar las cifras de exactitud destacadas.
La equidad es la otra cuestión abierta. En el estudio de depresión con 14.898 personas, la sensibilidad en hombres fue 14,7 puntos porcentuales menor que en mujeres (59,3% vs 74,0%), y los hombres estuvieron sobrerrepresentados entre los casos no detectados (31,7% de los falsos negativos vs 27,9% del conjunto de validación). La tecnología del habla tiene un largo historial de rendimiento desigual entre grupos de hablantes, como documenta nuestro análisis sobre el sesgo de acento en el reconocimiento de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Estudios de salud mental con voz con validación independiente o entre conjuntos de datos | 2 de 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Estudios de la misma revisión dirigidos a la depresión | 56 de 68 (82%) | Uy et al., Frontiers in Digital Health 2026 |
| Estudios que captaron el habla de forma pasiva (grabación ambiental) | 3 de 68 (4%) | Uy et al., Frontiers in Digital Health 2026 |
| Evaluaciones de conjuntos de datos de cribado por voz con validación externa / pruebas en condiciones reales | 32% / 8% (de 37 evaluaciones) | Muntean-Codrea et al., Life 2026 |
| Evaluaciones de conjuntos de datos calificadas con preparación clínica alta | 11% | Muntean-Codrea et al., Life 2026 |
| Estudios incluidos (de 34) que abordaron la ansiedad | 1 | Muntean-Codrea et al., Life 2026 |
| Estudios de explicabilidad de IA de voz clínica con evaluación con intervención humana por las partes interesadas | 0 de 30 | Ebraheem et al., Journal of Medical Internet Research 2026 |
| Sensibilidad de la herramienta de voz para depresión: hombres vs mujeres | 59,3% vs 74,0% | Mazur et al., Annals of Family Medicine 2025 |
Contexto: la revisión de Life afirma que ‘ninguna evaluación cumplió los cinco indicadores’ de preparación clínica (Muntean-Codrea et al., Life 2026). La revisión de explicabilidad de JMIR halló que 6 de sus 30 estudios usaron datos externos para comprobar sus explicaciones.
6. Uso de la Teleterapia para la Salud Mental
La telesalud es donde el análisis de voz tendría más probabilidades de ejecutarse, porque el audio de la sesión ya pasa por software. En 2025, el 44,7% de los adultos de EE. UU. con un episodio depresivo mayor en el último año, es decir, 8,8 millones de personas, recibió tratamiento de salud mental por telesalud (SAMHSA, 2025 NSDUH Annual National Report). El uso en el conjunto de la población bajó levemente, del 12,8% de los adultos en 2024 al 12,3% en 2025, lo que sugiere que la teleterapia se ha asentado como un canal estable y no como un pico de la pandemia.
Los datos de reclamaciones muestran el mismo panorama desde el lado de las aseguradoras: la salud mental es la principal categoría diagnóstica de telesalud en todos los grupos de edad, y la psicoterapia es la segunda categoría de procedimiento más común en telesalud (FAIR Health, Quarterly Telehealth Regional Tracker de enero a marzo de 2026). Entre los psicólogos, la práctica totalmente remota pasó del 64% en 2020 al 21% en 2023, y el 67% trabaja en modalidad híbrida (APA, infografía de la Practitioner Survey 2023, datos más recientes disponibles para este desglose).
| Métrica | Valor | Fuente |
|---|---|---|
| Adultos de EE. UU. que recibieron tratamiento de salud mental por telesalud, 2025 | 12,3% (32,6 millones) | SAMHSA, 2025 NSDUH Annual National Report |
| Adultos de EE. UU. que recibieron tratamiento de salud mental por telesalud, 2024 | 12,8% (33,4 millones) | SAMHSA, 2024 NSDUH Annual National Report |
| Adultos con cualquier enfermedad mental tratados por telesalud, 2025 | 32,8% (17,9 millones de 54,6 millones) | SAMHSA, 2025 NSDUH Annual National Report |
| Pacientes de telesalud (con seguro privado) con un diagnóstico de salud mental, 1.er trimestre de 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Misma medida, pacientes de 19 a 30 años vs pacientes de 65 años o más | 69,4% vs 22,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Pacientes de telesalud facturados por servicios de psicoterapia | 35,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Pacientes con seguro privado con cualquier línea de reclamación de telesalud: zonas urbanas vs rurales | 18,6% vs 10,3% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Psicoterapia por video vs presencial, 12 ensayos aleatorizados (900 personas): g de Hedges para la reducción de síntomas | -0,09 (IC del 95% -0,52 a 0,33), sin diferencia significativa | Revisión sistemática y metaanálisis multinivel de JMIR, 2026 |
Contexto: la NHIS, una encuesta federal distinta, halló que el 14,0% de los adultos de EE. UU. recibió asesoramiento o terapia de un profesional de salud mental en 2024, cifra que sube al 20,2% entre los adultos de 18 a 29 años (CDC NCHS Data Brief No. 564). El resultado sobre la terapia por video procede del metaanálisis de JMIR de 2026. Para las líneas de crisis en lugar de las sesiones programadas, consulte nuestro análisis del volumen de llamadas de la 988 Suicide and Crisis Lifeline.
7. Regulación, Ética y Actitudes de los Profesionales
El reconocimiento de emociones es uno de los pocos usos de la IA que la UE ha prohibido de forma expresa en entornos concretos. El artículo 5(1)(f) del Reglamento de IA de la UE prohíbe los sistemas de IA que infieren las emociones de una persona física en el lugar de trabajo y en centros educativos, con una excepción por motivos médicos o de seguridad, y esta prohibición se aplica desde el 2 de febrero de 2025 (Reglamento (UE) 2024/1689). Fuera de esos entornos, los sistemas de reconocimiento de emociones figuran como de alto riesgo, y quien despliegue uno debe informar a las personas expuestas a él. Los considerandos del Reglamento definen las emociones como estados como la felicidad, la tristeza, la ira, la sorpresa y el asco, y excluyen estados físicos como el dolor o la fatiga.
En EE. UU., la regulación apunta a la terapia con IA y no a la detección de emociones. Illinois promulgó la ley de Bienestar y Supervisión de Recursos Psicológicos (Wellness and Oversight for Psychological Resources Act) el 4 de agosto de 2025, que impide a la IA tomar decisiones terapéuticas y permite el apoyo administrativo (comunicado de prensa del IDFPR de Illinois, 2025). Los profesionales adoptan la IA con rapidez, pero con preocupaciones claras sobre la privacidad y el sesgo (APA, 2025 Practitioner Pulse Survey).
| Métrica | Valor | Fuente |
|---|---|---|
| Fecha desde la que se aplica la prohibición de la UE sobre la inferencia de emociones en el trabajo y la educación | 2 de febrero de 2025 | Reglamento (UE) 2024/1689, artículos 5 y 113 |
| Multa máxima por prácticas de IA prohibidas | EUR 35.000.000 o el 7% del volumen de negocios anual mundial total, la cifra que sea mayor | Reglamento (UE) 2024/1689, artículo 99 |
| Fecha de aplicación general del Reglamento de IA (reconocimiento de emociones catalogado como de alto riesgo en el Anexo III) | 2 de agosto de 2026 | Reglamento (UE) 2024/1689, artículo 113 y Anexo III |
| Multa de Illinois por infracción confirmada de la ley de terapia con IA | Hasta 10.000 USD | Comunicado de prensa del IDFPR de Illinois, agosto de 2025 |
| Psicólogos de EE. UU. que nunca habían usado IA en su práctica: 2024 vs 2025 | 71% vs 44% | APA, 2025 Practitioner Pulse Survey |
| Psicólogos que usan IA al menos una vez al mes: 2024 vs 2025 | 11% vs 29% | APA, 2025 Practitioner Pulse Survey |
| Psicólogos que citan posibles filtraciones de datos / entradas y salidas sesgadas como preocupación sobre la IA, 2025 | 67% / 63% | APA, 2025 Practitioner Pulse Survey |
| Psicólogos sin plazas para nuevos pacientes / con lista de espera, 2025 | 46% / 40% | APA, 2025 Practitioner Pulse Survey |
Contexto: la ley de Illinois se aprobó por unanimidad en ambas cámaras. La encuesta de la APA tuvo 1.742 encuestados de 26.502 invitaciones entregadas, una tasa de finalización del 6,6%, por lo que los cambios pequeños entre años deben leerse con cautela.
Resumen: Reconocimiento de Emociones en el Habla y Teleterapia en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Mayor macro-F1 de ocho clases en habla naturalista (vs baseline) | 0,4316 (vs 0,3293) | MSP Lab, tabla de clasificación del desafío SER de Interspeech 2025 |
| Mayor CCC promedio para activación, valencia y dominancia | 0,6076 | MSP Lab, tabla de clasificación del desafío SER de Interspeech 2025 |
| Mejor UA en RAVDESS (actuado) vs MSP-Podcast (natural) | 75,32% vs 22,24% | EmoBox (Ma et al.), Interspeech 2024 |
| Turnos de MSP-Podcast sin acuerdo entre evaluadores sobre la emoción principal | 17,98% de 267.905 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Acuerdo entre evaluadores sobre la emoción principal (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Muestras neutrales vs de miedo en los datos de entrenamiento del desafío | Neutrales unas 26 veces más frecuentes | Dutta et al., ABHINAYA, arXiv 2025 |
| Oyentes humanos con audios de habla de RAVDESS (proporción de aciertos) | 0,63 | Livingstone y Russo, PLOS ONE 2018 |
| Detección de depresión con deep learning: sensibilidad / especificidad agrupadas | 0,83 / 0,86 | Lu et al., BMC Psychiatry 2025 |
| AUC agrupada, modelos de depresión con deep learning | 0,91 | Lu et al., BMC Psychiatry 2025 |
| Herramienta de voz (estudio de 14.898 adultos): sensibilidad / especificidad | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Sensibilidad de la herramienta de voz: hombres vs mujeres | 59,3% vs 74,0% | Mazur et al., Annals of Family Medicine 2025 |
| AUC para ansiedad (GAD-7) a partir del habla, 865 adultos | 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Estudios de salud mental con voz con validación independiente | 2 de 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Evaluaciones de conjuntos de datos calificadas con preparación clínica alta | 11% | Muntean-Codrea et al., Life 2026 |
| Adultos de EE. UU. tratados por salud mental mediante telesalud, 2025 | 12,3% (32,6 millones) | SAMHSA, 2025 NSDUH Annual National Report |
| Adultos con un episodio depresivo mayor en el último año tratados por telesalud, 2025 | 44,7% (8,8 millones) | SAMHSA, 2025 NSDUH Annual National Report |
| Pacientes de telesalud con un diagnóstico de salud mental, 1.er trimestre de 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| La prohibición de la UE sobre la inferencia de emociones en el trabajo y la educación se aplica desde | 2 de febrero de 2025 | Reglamento (UE) 2024/1689 |
| Psicólogos que usan IA al menos una vez al mes, 2025 | 29% | APA, 2025 Practitioner Pulse Survey |
Metodología y Fuentes
- EmoBox: Multilingual Multi-corpus Speech Emotion Recognition Toolkit and Benchmark (Ma et al., Interspeech 2024) y su tabla de clasificación entre corpus: exactitud intracorpus y entre corpus.
- ParaLBench: A Large-Scale Benchmark for Computational Paralinguistics over Acoustic Foundation Models (arXiv 2024): resultados de IEMOCAP para 14 modelos de base.
- USC SAIL Lab, base de datos IEMOCAP: tamaño del corpus.
- MSP Lab, Interspeech 2025 Challenge on Speech Emotion Recognition in Naturalistic Conditions: baselines y tablas de clasificación; resumen de los organizadores en Naini et al., Proc. Interspeech 2025.
- Dutta et al., ABHINAYA (arXiv 2505.18217, 2025) y MEDUSA (arXiv 2506.09556, 2025): artículos de los sistemas de los participantes.
- Busso et al., The MSP-Podcast Corpus (arXiv 2509.09791, 2025): tamaño del corpus, acuerdo entre evaluadores, distribución de las etiquetas.
- Tavernor y Mower Provost, modelado de anotadores para SER entre corpus (arXiv 2509.12295, 2025).
- Livingstone y Russo, RAVDESS, PLOS ONE 2018 y el registro de RAVDESS en 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 y 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.
- Metaanálisis de psicoterapia por video vs presencial, Journal of Medical Internet Research 2026.
- APA, 2025 Practitioner Pulse Survey y la infografía de la APA sobre el lugar de la telesalud, 2020 a 2023.
- Reglamento (UE) 2024/1689 (Reglamento de IA de la UE), texto del Diario Oficial: artículo 3(39), artículo 5(1)(f), artículo 50(3), artículo 99(3), artículo 113, Anexo III punto 1(c), considerando 18.
- Comunicado de prensa del IDFPR de Illinois sobre el HB1806, 4 de agosto de 2025.
- Nota sobre los datos: las puntuaciones de los benchmarks no son comparables entre corpus, porque los conjuntos de etiquetas, el balance de clases y las métricas difieren (UA, WA, macro-F1 y CCC miden cosas distintas). El resumen de ABHINAYA informa del 4.º puesto entre 166 envíos; su puntuación de 44,02% fue calculada por los organizadores tras el plazo y no es una clasificación oficial. El artículo de MSP-Podcast da en su texto la emoción neutral como cerca del 28% de los turnos, mientras que los recuentos de su tabla (79.117 de 267.905) dan 29,53%, y da 409 horas en el texto frente a 407 horas en una tabla; los porcentajes marcados como ‘cálculo propio’ se calcularon a partir de los recuentos de la tabla. El estudio de la herramienta de voz para la depresión se financió con subvenciones a su desarrolladora, con tres empleados de la empresa entre los autores. Los datos de Riad et al. son de 2024 y las valoraciones humanas de RAVDESS son de 2018, los más recientes disponibles para esas medidas. La NSDUH (cualquier tratamiento, autoinforme) y la NHIS (asesoramiento o terapia con un profesional) miden cosas distintas, por lo que sus porcentajes no deben compararse directamente. FAIR Health abarca solo a pacientes con seguro privado y sustituyó su rastreador mensual por uno trimestral en 2026, por lo que las cifras mensuales anteriores no son directamente comparables. Las encuestas de la APA tuvieron bajas tasas de finalización (6,6% en 2025). Las fechas del Reglamento de IA de la UE se citan del texto del Diario Oficial del Reglamento (UE) 2024/1689; cualquier modificación posterior de sus plazos debe comprobarse en la versión consolidada vigente.
Última actualización: 25 de octubre de 2026. Actualizamos este análisis trimestralmente, y la próxima revisión se espera cuando FAIR Health publique su próximo Quarterly Telehealth Regional Tracker y el MSP Lab publique los resultados de su próximo desafío de reconocimiento de emociones en el habla.