Le système vainqueur du défi Interspeech 2025 sur la reconnaissance des émotions dans la parole en conditions naturelles a atteint un macro-F1 de seulement 0,4316 sur huit émotions, sur de la parole réelle de podcasts, alors que le meilleur des 10 modèles évalués obtient 75,32% d’exactitude non pondérée sur le corpus joué RAVDESS (benchmark EmoBox, Interspeech 2024). Le même clivage traverse la recherche clinique sur la voix : les modèles d’apprentissage profond atteignent une sensibilité regroupée de 0,83 pour détecter la dépression à partir de la parole (Lu et al., BMC Psychiatry 2025), pourtant seules 2 des 68 études vocales de santé mentale ont testé leur modèle sur un jeu de données indépendant (Uy et al., Frontiers in Digital Health 2026). Entre-temps, la téléthérapie est devenue courante : 12,3% des adultes américains, soit 32,6 millions de personnes, ont reçu un traitement de santé mentale par télésanté en 2025 (SAMHSA, 2025 NSDUH). Nous avons agrégé des données provenant des classements des défis du MSP Lab, des benchmarks EmoBox et ParaLBench, de BMC Psychiatry, d’Annals of Family Medicine, du JMIR, de la SAMHSA, de FAIR Health, du CDC NCHS, de l’American Psychological Association et du texte du règlement européen sur l’IA. Pour le volet de la démence dans la recherche sur la santé vocale, consultez notre tour d’horizon distinct sur les biomarqueurs vocaux de la maladie d’Alzheimer et des troubles cognitifs.
Cette page rapporte uniquement des résultats de recherche. Elle ne constitue pas un avis médical, et aucun des outils décrits ici ne remplace l’évaluation d’un clinicien qualifié.
TL;DR
- Le meilleur macro-F1 en reconnaissance des émotions sur huit classes en parole naturelle était de 0,4316, contre 0,3293 pour la référence (MSP Lab, classement du Interspeech 2025 SER Challenge).
- Le meilleur modèle a atteint 75,32% d’exactitude non pondérée sur RAVDESS (parole jouée) mais 22,24% sur MSP-Podcast (benchmark EmoBox, Interspeech 2024).
- 17,98% des 267 905 tours de parole de MSP-Podcast n’avaient aucun accord entre évaluateurs sur l’émotion principale (Busso et al., MSP-Podcast Corpus 2025).
- Des auditeurs humains ont identifié les émotions jouées dans les fichiers audio de parole RAVDESS avec une proportion de réponses correctes de 0,63 (Livingstone et Russo, PLOS ONE 2018).
- La détection de la dépression à partir de la parole par apprentissage profond a regroupé une sensibilité de 0,83 et une spécificité de 0,86 sur 16 études (Lu et al., BMC Psychiatry 2025).
- Un outil vocal étudié chez 14 898 adultes (dont 4 456 en validation) a atteint 71,3% de sensibilité et 73,5% de spécificité pour la dépression modérée à sévère (Mazur et al., Annals of Family Medicine 2025).
- Seules 2 des 68 études vocales de santé mentale ont utilisé une validation indépendante ou inter-jeux de données (Uy et al., Frontiers in Digital Health 2026).
- 32,8% des adultes américains atteints d’une maladie mentale quelle qu’elle soit ont reçu un traitement par télésanté en 2025 (SAMHSA, 2025 NSDUH).
- 52,1% des patients de télésanté assurés par le secteur privé avaient un diagnostic de santé mentale au T1 2026 (FAIR Health, Quarterly Telehealth Regional Tracker 2026).
- L’interdiction par le règlement européen sur l’IA de déduire les émotions au travail et à l’école s’applique depuis le 2 février 2025 (Regulation (EU) 2024/1689).
- 29% des psychologues américains utilisaient l’IA au moins une fois par mois en 2025, contre 11% en 2024 (APA, 2025 Practitioner Pulse Survey).
1. Précision des benchmarks sur les corpus d’émotions standards
Trois métriques reviennent dans cette section. L’exactitude non pondérée (UA) fait la moyenne du taux de réussite de chaque classe d’émotion, de sorte que chaque émotion compte autant. L’exactitude pondérée (WA) est la simple part de réponses correctes, qui récompense un modèle pour avoir bien identifié l’émotion la plus courante. Le macro-F1 est un score similaire, équilibré entre les classes, qui pénalise aussi les fausses alertes.
Sur les corpus joués ou strictement contrôlés, le meilleur modèle obtient entre 73,54% d’UA (IEMOCAP) et 84,62% d’UA (ESD). Le meilleur des 10 modèles pré-entraînés a obtenu 84,62% d’UA sur le corpus ESD mais seulement 22,24% d’UA sur MSP-Podcast, un corpus de parole réelle de podcasts (benchmark EmoBox, Interspeech 2024). Sur MSP-Podcast, l’exactitude pondérée du même modèle représente environ le double de son exactitude non pondérée, signe que le modèle réussit bien sur les émotions fréquentes et mal sur les rares. Les chiffres de précision mis en avant sur des corpus joués disent donc peu de choses sur le comportement d’un système lors d’un appel téléphonique ou d’une séance de thérapie. Les tableaux complets par jeu de données figurent dans l’article EmoBox.
| Métrique | Valeur | Source |
|---|---|---|
| Meilleure UA parmi 10 modèles (Whisper large v3) : IEMOCAP (dialogue dyadique joué) et RAVDESS (parole jouée) | 73,54% et 75,32% | EmoBox (Ma et al.), Interspeech 2024 |
| Corpus RAVDESS : acteurs professionnels et fichiers audio de parole | 24 acteurs (12 femmes, 12 hommes), 1 440 fichiers audio de parole | Livingstone et Russo, fiche Zenodo de RAVDESS 2018 |
| CREMA-D et ESD (corpus joués), meilleure UA | 76,75% et 84,62% | EmoBox (Ma et al.), Interspeech 2024 |
| MSP-Podcast (parole naturelle de podcasts), meilleur modèle : UA contre WA | 22,24% contre 44,10% | EmoBox (Ma et al.), Interspeech 2024 |
| MELD (dialogues de séries télévisées), meilleur modèle : UA contre WA | 31,54% contre 51,89% | EmoBox (Ma et al.), Interspeech 2024 |
| IEMOCAP, émotion à quatre classes, meilleure UA parmi 14 modèles de fondation acoustiques (Whisper-large) | 0,690 | benchmark ParaLBench, arXiv 2411.09349 (2024) |
| IEMOCAP, émotion à quatre classes, UA de WavLM-large | 0,685 | benchmark ParaLBench, arXiv 2411.09349 (2024) |
| Taille du corpus IEMOCAP | Environ 12 heures de données audiovisuelles | USC SAIL Lab, page de la base de données IEMOCAP |
Contexte : EmoBox couvre 32 jeux de données d’émotions dans 14 langues. Les corpus diffèrent par leur nombre de classes d’émotions et par la manière dont la parole a été produite (les étiquettes catégorielles d’IEMOCAP se concentrent sur quatre émotions, la parole de RAVDESS en utilise huit), si bien que les scores sont comparables au sein d’une ligne mais pas d’une ligne à l’autre. Les résultats de ParaLBench aboutissent à des conclusions similaires avec un autre ensemble de modèles.
2. Conditions naturelles : le défi Interspeech 2025
Le défi Interspeech 2025 demandait aux équipes de classer huit émotions (colère, joie, tristesse, peur, surprise, mépris, dégoût, neutre) dans la parole spontanée du corpus MSP-Podcast, et de prédire l’activation (arousal), la valence et la dominance sur une échelle de 1 à 7. Le macro-F1 gagnant de 0,4316 représente un gain d’environ 0,10 par rapport à la référence de 0,3293 (notre calcul à partir du classement officiel), ce qui est un vrai progrès mais signifie que la plupart des décisions à huit classes sur la parole naturelle restent difficiles.
La tâche dimensionnelle raconte une histoire similaire. Le CCC, coefficient de corrélation de concordance, mesure à quel point les scores prédits suivent les évaluations humaines (1 signifie un accord parfait). Les meilleurs systèmes suivent bien mieux la valence (le caractère positif ou négatif d’une voix) que la dominance (le degré de maîtrise d’un locuteur). L’article de synthèse des organisateurs note que la combinaison de modèles de fondation audio et texte a produit les systèmes les plus robustes.
| Métrique | Valeur | Source |
|---|---|---|
| Tâche 1 (huit classes d’émotions), macro-F1 de référence | 0,3293 | MSP Lab, classement du Interspeech 2025 SER Challenge |
| Tâche 1, meilleur macro-F1 (équipe NTUA) | 0,4316 | MSP Lab, classement du Interspeech 2025 SER Challenge |
| Tâche 2 (activation, valence, dominance), CCC moyen : référence contre meilleur système (équipe SAIL) | 0,5797 contre 0,6076 | MSP Lab, classement du Interspeech 2025 SER Challenge |
| Tâche 2, meilleur système : CCC de la valence contre CCC de la dominance | 0,6829 contre 0,498 | MSP Lab, classement du Interspeech 2025 SER Challenge |
| Soumissions à la tâche 1 déclarées par une équipe participante | 166 | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Système de la même équipe, évalué par les organisateurs après la date limite : macro-F1 | 44,02% | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Données d’entraînement du défi : échantillons neutres contre échantillons de peur | Neutre environ 26 fois plus fréquent | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
Contexte : le système MEDUSA, classé premier, utilisait un ensemble de 14 modèles tout en ayant été entraîné sur une seule carte graphique RTX 3090 ; le plafond tient donc aux données, pas à la puissance de calcul. Le défi associait des données d’entraînement déséquilibrées à des jeux de test équilibrés entre les classes d’émotions (Dutta et al., ABHINAYA 2025), ce qui explique pourquoi la gestion du déséquilibre figurait dans les meilleures candidatures.
3. Ambiguïté des étiquettes, accord humain et transfert inter-corpus
Les faibles scores de la section 2 relèvent en partie d’un problème de mesure. Près d’un tour de parole sur cinq dans la version finale de MSP-Podcast (48 180 sur 267 905) n’avait aucune étiquette majoritaire pour l’émotion principale parmi au moins cinq évaluateurs (Busso et al., The MSP-Podcast Corpus 2025). Quand les humains ne s’accordent pas sur une étiquette, un modèle évalué sur cette étiquette hérite de ce désaccord comme d’un plafond.
Le transfert entre corpus est le second point faible. Un modèle entraîné sur un jeu de données et testé sur un autre (test inter-corpus) fait face à de nouveaux locuteurs, de nouveaux microphones et de nouvelles habitudes d’annotation. Dans le test inter-corpus d’EmoBox, chaque corpus fournit 240 extraits de test équilibrés sur quatre émotions (colère, joie, neutre, tristesse), de sorte qu’une réponse au hasard obtiendrait environ 25%. Le modèle le plus performant, Whisper large v3, a affiché une exactitude allant de 36,44% à 66,91% sur les 12 paires entraînement-test.
| Métrique | Valeur | Source |
|---|---|---|
| MSP-Podcast 2.0 : audio annoté, tours de parole, locuteurs, évaluateurs par tour | 409 heures, 267 905 tours, 3 641 locuteurs, au moins 5 évaluateurs par tour | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Tours de parole sans étiquette majoritaire pour l’émotion principale | 48 180 sur 267 905 (17,98%, notre calcul) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Accord inter-évaluateurs sur l’émotion principale (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Tours de parole étiquetés peur | 1 943 sur 267 905 (0,73%, notre calcul) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Auditeurs humains non entraînés nommant l’émotion jouée dans la parole RAVDESS, audio seul (proportion de réponses correctes) | 0,63 (IC à 95% 0,62 à 0,64) | Livingstone et Russo, PLOS ONE 2018 (dernières données disponibles) |
| Exactitude inter-corpus de Whisper large v3 : entraîné sur IEMOCAP, testé sur RAVDESS contre entraîné sur RAVDESS, testé sur SAVEE | 38,24% contre 66,91% | classement inter-corpus EmoBox, 2024 |
| Accord sur la valence (CCC) d’un modèle à cartographie par annotateur : testé sur MSP-Podcast contre transféré vers IEMOCAP | 0,647 contre 0,516 | Tavernor et Mower Provost, arXiv 2509.12295 (2025) |
Contexte : le chiffre humain de RAVDESS et les scores des modèles de la section 1 ne constituent pas une confrontation directe, puisque les auditeurs choisissaient parmi huit étiquettes plus une option ‘aucune de ces réponses’, dans des conditions différentes. Les chiffres inter-corpus d’EmoBox figurent dans le classement public, et les données de validation de RAVDESS sont documentées dans sa fiche Zenodo.
4. Précision de la détection vocale de la dépression et de l’anxiété
Les modèles vocaux cliniques ne classent généralement pas des émotions discrètes. Ils prédisent si le score d’une personne à un questionnaire tel que le PHQ-9 (dépression) ou le GAD-7 (anxiété) dépasse un seuil. Regroupée sur 16 études d’apprentissage profond, la détection de la dépression à partir de la parole a atteint une sensibilité de 0,83 et une spécificité de 0,86 (Lu et al., BMC Psychiatry 2025). La plus grande étude individuelle ci-dessous rapporte des chiffres plus bas, rappel que des moyennes regroupées issues de nombreux petits échantillons peuvent flatter.
Cette étude a recueilli au moins 25 secondes de parole libre auprès de 14 898 adultes aux États-Unis et au Canada et, sur son jeu de validation de 4 456 échantillons, a rapporté 71,3% de sensibilité (IC à 95% 69,0 à 73,5) et 73,5% de spécificité (IC à 95% 71,5 à 75,5) (Mazur et al., Annals of Family Medicine 2025). L’étude a été financée par des subventions de la NSF accordées au développeur, et trois auteurs sont employés de cette entreprise. Les modèles d’anxiété sont bien moins étudiés, et une étude sur la grossesse montre à quel point ils sont fragiles lorsque seule la parole de la patiente est conservée.
| Métrique | Valeur | Source |
|---|---|---|
| Modèles vocaux d’apprentissage profond pour la dépression : sensibilité / spécificité regroupées (16 études) | 0,83 (IC à 95% 0,77 à 0,88) / 0,86 (IC à 95% 0,80 à 0,90) | Lu et al., BMC Psychiatry 2025 |
| AUC regroupée : apprentissage profond contre apprentissage automatique traditionnel | 0,91 contre 0,89 | Lu et al., BMC Psychiatry 2025 |
| Outil vocal contre score PHQ-9 de 10 ou plus (étude de 14 898 adultes, dont 4 456 en validation) : sensibilité / spécificité | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Échantillons de validation renvoyés avec la mention ‘évaluation complémentaire recommandée’ au lieu d’un résultat oui/non | 920 sur 4 456 (environ 20%) | Mazur et al., Annals of Family Medicine 2025 |
| Adultes français de la population générale (865 personnes) : AUC pour la dépression (PHQ-9) et l’anxiété (GAD-7) | 0,76 et 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Même étude : score F1 pour le risque PHQ-9 et GAD-7 | 0,49 et 0,50 | Riad et al., Journal of Medical Internet Research 2024 |
| Étude sur la grossesse (146 femmes) : F1 du modèle GAD, entretien complet contre parole de la patiente seule vérifiée | 76% à 80% contre 51% à 65% | Bayrampour et al., Journal of Clinical Psychiatry 2026 |
| Hauteur de la voix (fréquence fondamentale) dans la dépression contre témoins, regroupée sur 6 études | 1,82 Hz plus bas, p = 0,56 (non significatif) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
Contexte : l’écart d’AUC entre l’apprentissage profond et les modèles traditionnels n’était pas statistiquement significatif dans l’analyse de BMC Psychiatry, et l’étude du JMIR sur l’anxiété et la dépression montre qu’une AUC respectable peut quand même s’accompagner d’un F1 modeste lorsque peu de personnes de l’échantillon dépassent le seuil. Pour les applications grand public qui enregistrent des journaux vocaux au lieu de dépister une maladie, consultez notre tour d’horizon sur les applications de journal vocal et de thérapie par IA.
5. Lacunes des preuves : validation, équité et maturité clinique
Les chiffres de précision de la section 4 proviennent surtout de modèles testés sur des données qui ressemblent à leurs données d’entraînement. Une revue de cadrage de 2026 a constaté que seulement 2 des 68 études vocales de santé mentale (3%) ont validé leur modèle sur un échantillon indépendant ou inter-jeux de données (Uy et al., Frontiers in Digital Health 2026). Lu avec la section 3, où la précision chute fortement d’un corpus à l’autre, c’est la principale raison de relativiser les chiffres de précision mis en avant.
L’équité est l’autre question ouverte. Dans l’étude sur la dépression portant sur 14 898 personnes, la sensibilité était inférieure de 14,7 points de pourcentage chez les hommes par rapport aux femmes (59,3% contre 74,0%), et les hommes étaient surreprésentés parmi les cas manqués (31,7% des faux négatifs contre 27,9% du jeu de validation). La technologie vocale a une longue histoire de performances inégales selon les groupes de locuteurs, comme le documente notre tour d’horizon sur le biais d’accent dans la reconnaissance vocale.
| Métrique | Valeur | Source |
|---|---|---|
| Études vocales de santé mentale avec validation indépendante ou inter-jeux de données | 2 sur 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Études de la même revue ciblant la dépression | 56 sur 68 (82%) | Uy et al., Frontiers in Digital Health 2026 |
| Études ayant capté la parole de façon passive (enregistrement ambiant) | 3 sur 68 (4%) | Uy et al., Frontiers in Digital Health 2026 |
| Évaluations de jeux de données de dépistage vocal avec validation externe / test en conditions réelles | 32% / 8% (sur 37 évaluations) | Muntean-Codrea et al., Life 2026 |
| Évaluations de jeux de données jugées de maturité clinique élevée | 11% | Muntean-Codrea et al., Life 2026 |
| Études incluses (sur 34) ayant abordé l’anxiété | 1 | Muntean-Codrea et al., Life 2026 |
| Études d’explicabilité de l’IA vocale clinique avec évaluation humaine dans la boucle par les parties prenantes | 0 sur 30 | Ebraheem et al., Journal of Medical Internet Research 2026 |
| Sensibilité de l’outil vocal pour la dépression : hommes contre femmes | 59,3% contre 74,0% | Mazur et al., Annals of Family Medicine 2025 |
Contexte : la revue de Life indique que « aucune évaluation n’a satisfait aux cinq indicateurs » de maturité clinique (Muntean-Codrea et al., Life 2026). La revue du JMIR sur l’explicabilité a constaté que 6 de ses 30 études utilisaient des données externes pour vérifier leurs explications.
6. Utilisation de la téléthérapie pour la santé mentale
La télésanté est l’endroit où l’analyse vocale fonctionnerait le plus plausiblement, puisque l’audio des séances passe déjà par un logiciel. En 2025, 44,7% des adultes américains ayant eu un épisode dépressif majeur au cours de l’année écoulée, soit 8,8 millions de personnes, ont reçu un traitement de santé mentale par télésanté (SAMHSA, 2025 NSDUH Annual National Report). L’utilisation dans l’ensemble de la population a légèrement reculé, de 12,8% des adultes en 2024 à 12,3% en 2025, ce qui suggère que la téléthérapie s’est installée comme un canal stable plutôt que comme un pic lié à la pandémie.
Les données de remboursement donnent la même image du côté des payeurs : la santé mentale est la première catégorie de diagnostic en télésanté dans tous les groupes d’âge, et la psychothérapie est la deuxième catégorie d’actes de télésanté la plus fréquente (FAIR Health, Quarterly Telehealth Regional Tracker January to March 2026). Chez les psychologues, la pratique est passée de 64% entièrement à distance en 2020 à 21% en 2023, avec 67% travaillant en mode hybride (APA, Practitioner Survey infographic 2023, dernières données disponibles pour cette ventilation).
| Métrique | Valeur | Source |
|---|---|---|
| Adultes américains recevant un traitement de santé mentale par télésanté, 2025 | 12,3% (32,6 millions) | SAMHSA, 2025 NSDUH Annual National Report |
| Adultes américains recevant un traitement de santé mentale par télésanté, 2024 | 12,8% (33,4 millions) | SAMHSA, 2024 NSDUH Annual National Report |
| Adultes atteints d’une maladie mentale quelle qu’elle soit traités par télésanté, 2025 | 32,8% (17,9 millions sur 54,6 millions) | SAMHSA, 2025 NSDUH Annual National Report |
| Patients de télésanté (assurés par le secteur privé) avec un diagnostic de santé mentale, T1 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Même mesure, patients de 19 à 30 ans contre patients de 65 ans et plus | 69,4% contre 22,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Patients de télésanté facturés pour des services de psychothérapie | 35,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Patients assurés par le secteur privé avec au moins une demande de remboursement de télésanté : zones urbaines contre rurales | 18,6% contre 10,3% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Psychothérapie par vidéo contre en présentiel, 12 essais randomisés (900 personnes) : g de Hedges pour la réduction des symptômes | -0,09 (IC à 95% -0,52 à 0,33), aucune différence significative | revue systématique et méta-analyse multiniveau du JMIR 2026 |
Contexte : le NHIS, une autre enquête fédérale, a constaté que 14,0% des adultes américains avaient reçu des conseils ou une thérapie auprès d’un professionnel de santé mentale en 2024, une proportion atteignant 20,2% chez les adultes de 18 à 29 ans (CDC NCHS Data Brief No. 564). Le résultat sur la thérapie par vidéo provient de la méta-analyse du JMIR de 2026. Pour les lignes de crise plutôt que les séances programmées, consultez notre tour d’horizon sur le volume d’appels de la 988 Suicide and Crisis Lifeline.
7. Réglementation, éthique et attitudes des cliniciens
La reconnaissance des émotions est l’un des rares usages de l’IA que l’UE a purement et simplement interdits dans certains contextes. L’article 5(1)(f) du règlement européen sur l’IA interdit les systèmes d’IA qui déduisent les émotions d’une personne physique sur le lieu de travail et dans les établissements d’enseignement, avec une exception pour des raisons médicales ou de sécurité, et cette interdiction s’applique depuis le 2 février 2025 (Regulation (EU) 2024/1689). En dehors de ces contextes, les systèmes de reconnaissance des émotions sont classés à haut risque, et quiconque en déploie un doit informer les personnes qui y sont exposées. Les considérants du règlement définissent les émotions comme des états tels que la joie, la tristesse, la colère, la surprise et le dégoût, et excluent les états physiques tels que la douleur ou la fatigue.
Aux États-Unis, la réglementation vise la thérapie par IA plutôt que la détection des émotions. L’Illinois a promulgué le Wellness and Oversight for Psychological Resources Act le 4 août 2025, interdisant à l’IA de prendre des décisions thérapeutiques tout en autorisant le soutien administratif (communiqué de presse de l’IDFPR de l’Illinois 2025). Les cliniciens adoptent l’IA rapidement, mais avec des inquiétudes claires sur la confidentialité et les biais (APA, 2025 Practitioner Pulse Survey).
| Métrique | Valeur | Source |
|---|---|---|
| Date à partir de laquelle s’applique l’interdiction européenne de déduire les émotions au travail et dans l’enseignement | 2 février 2025 | Regulation (EU) 2024/1689, articles 5 et 113 |
| Amende maximale pour les pratiques d’IA interdites | 35 000 000 EUR ou 7% du chiffre d’affaires annuel mondial total, le montant le plus élevé étant retenu | Regulation (EU) 2024/1689, article 99 |
| Date d’application générale du règlement sur l’IA (reconnaissance des émotions classée à haut risque à l’annexe III) | 2 août 2026 | Regulation (EU) 2024/1689, article 113 et annexe III |
| Amende de l’Illinois par infraction confirmée à la loi sur la thérapie par IA | Jusqu’à 10 000 $ | communiqué de presse de l’IDFPR de l’Illinois, août 2025 |
| Psychologues américains n’ayant jamais utilisé l’IA dans leur pratique : 2024 contre 2025 | 71% contre 44% | APA, 2025 Practitioner Pulse Survey |
| Psychologues utilisant l’IA au moins une fois par mois : 2024 contre 2025 | 11% contre 29% | APA, 2025 Practitioner Pulse Survey |
| Psychologues citant les violations potentielles de données / les biais en entrée et en sortie comme préoccupation liée à l’IA, 2025 | 67% / 63% | APA, 2025 Practitioner Pulse Survey |
| Psychologues sans place pour de nouveaux patients / avec une liste d’attente, 2025 | 46% / 40% | APA, 2025 Practitioner Pulse Survey |
Contexte : la loi de l’Illinois a été adoptée à l’unanimité dans les deux chambres. L’enquête de l’APA comptait 1 742 répondants pour 26 502 invitations délivrées, soit un taux de réponse de 6,6%, de sorte que les petites variations d’une année à l’autre doivent être interprétées avec prudence.
Résumé : la reconnaissance des émotions dans la parole et la téléthérapie en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Meilleur macro-F1 à huit classes en parole naturelle (contre la référence) | 0,4316 (contre 0,3293) | MSP Lab, classement du Interspeech 2025 SER Challenge |
| Meilleur CCC moyen pour l’activation, la valence et la dominance | 0,6076 | MSP Lab, classement du Interspeech 2025 SER Challenge |
| Meilleure UA sur RAVDESS (jouée) contre MSP-Podcast (naturelle) | 75,32% contre 22,24% | EmoBox (Ma et al.), Interspeech 2024 |
| Tours de MSP-Podcast sans accord entre évaluateurs sur l’émotion principale | 17,98% sur 267 905 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Accord entre évaluateurs sur l’émotion principale (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Échantillons neutres contre échantillons de peur dans les données d’entraînement du défi | Neutre environ 26 fois plus fréquent | Dutta et al., ABHINAYA, arXiv 2025 |
| Auditeurs humains sur l’audio de parole RAVDESS (proportion de réponses correctes) | 0,63 | Livingstone et Russo, PLOS ONE 2018 |
| Détection de la dépression par apprentissage profond : sensibilité / spécificité regroupées | 0,83 / 0,86 | Lu et al., BMC Psychiatry 2025 |
| AUC regroupée, modèles de dépression par apprentissage profond | 0,91 | Lu et al., BMC Psychiatry 2025 |
| Outil vocal (étude de 14 898 adultes) : sensibilité / spécificité | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Sensibilité de l’outil vocal : hommes contre femmes | 59,3% contre 74,0% | Mazur et al., Annals of Family Medicine 2025 |
| AUC pour l’anxiété (GAD-7) à partir de la parole, 865 adultes | 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Études vocales de santé mentale avec validation indépendante | 2 sur 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Évaluations de jeux de données jugées de maturité clinique élevée | 11% | Muntean-Codrea et al., Life 2026 |
| Adultes américains traités pour leur santé mentale par télésanté, 2025 | 12,3% (32,6 millions) | SAMHSA, 2025 NSDUH Annual National Report |
| Adultes ayant eu un épisode dépressif majeur dans l’année et traités par télésanté, 2025 | 44,7% (8,8 millions) | SAMHSA, 2025 NSDUH Annual National Report |
| Patients de télésanté avec un diagnostic de santé mentale, T1 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| L’interdiction européenne de déduire les émotions au travail et dans l’enseignement s’applique à partir du | 2 février 2025 | Regulation (EU) 2024/1689 |
| Psychologues utilisant l’IA au moins une fois par mois, 2025 | 29% | APA, 2025 Practitioner Pulse Survey |
Méthodologie et sources
- EmoBox: Multilingual Multi-corpus Speech Emotion Recognition Toolkit and Benchmark (Ma et al., Interspeech 2024) et son classement inter-corpus : exactitude intra-corpus et inter-corpus.
- ParaLBench: A Large-Scale Benchmark for Computational Paralinguistics over Acoustic Foundation Models (arXiv 2024) : résultats IEMOCAP pour 14 modèles de fondation.
- USC SAIL Lab, base de données IEMOCAP : taille du corpus.
- MSP Lab, Interspeech 2025 Challenge on Speech Emotion Recognition in Naturalistic Conditions : références et classements ; synthèse des organisateurs dans Naini et al., Proc. Interspeech 2025.
- Dutta et al., ABHINAYA (arXiv 2505.18217, 2025) et MEDUSA (arXiv 2506.09556, 2025) : articles sur les systèmes des participants.
- Busso et al., The MSP-Podcast Corpus (arXiv 2509.09791, 2025) : taille du corpus, accord entre évaluateurs, distribution des étiquettes.
- Tavernor et Mower Provost, modélisation des annotateurs pour la SER inter-corpus (arXiv 2509.12295, 2025).
- Livingstone et Russo, RAVDESS, PLOS ONE 2018 et la fiche Zenodo de RAVDESS.
- 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 et 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.
- Méta-analyse de la psychothérapie par vidéo contre en présentiel, Journal of Medical Internet Research 2026.
- APA, 2025 Practitioner Pulse Survey et infographie de l’APA sur le lieu d’exercice de la télésanté, 2020 à 2023.
- Regulation (EU) 2024/1689 (règlement européen sur l’IA), texte du Journal officiel : article 3(39), article 5(1)(f), article 50(3), article 99(3), article 113, annexe III point 1(c), considérant 18.
- Communiqué de presse de l’IDFPR de l’Illinois sur la HB1806, 4 août 2025.
- Note sur les données : les scores des benchmarks ne sont pas comparables d’un corpus à l’autre, car les jeux d’étiquettes, l’équilibre des classes et les métriques diffèrent (UA, WA, macro-F1 et CCC mesurent des choses différentes). Le résumé d’ABHINAYA indique la 4e place parmi 166 soumissions ; son score de 44,02% a été calculé par les organisateurs après la date limite et ne constitue pas un classement officiel. L’article sur MSP-Podcast donne le neutre à environ 28% des tours dans son texte, alors que les effectifs de son tableau (79 117 sur 267 905) donnent 29,53%, et il indique 409 heures dans le texte contre 407 heures dans un tableau ; les pourcentages marqués ‘notre calcul’ ont été calculés à partir des effectifs du tableau. L’étude sur l’outil vocal de dépression a été financée par des subventions accordées à son développeur, avec trois employés de l’entreprise parmi les auteurs. Les données de Riad et al. datent de 2024 et les évaluations humaines de RAVDESS de 2018, soit les plus récentes disponibles pour ces mesures. La NSDUH (tout traitement, autodéclaré) et le NHIS (conseils ou thérapie auprès d’un professionnel) mesurent des choses différentes, leurs pourcentages ne doivent donc pas être comparés directement. FAIR Health ne couvre que les patients assurés par le secteur privé et a remplacé son suivi mensuel par un suivi trimestriel en 2026, de sorte que les anciens chiffres mensuels ne sont pas directement comparables. Les enquêtes de l’APA avaient de faibles taux de réponse (6,6% en 2025). Les dates du règlement européen sur l’IA sont citées d’après le texte du Journal officiel du Regulation (EU) 2024/1689 ; toute modification ultérieure de son calendrier doit être vérifiée dans la version consolidée en vigueur.
Dernière mise à jour : 25 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine mise à jour est attendue lorsque FAIR Health publiera son prochain Quarterly Telehealth Regional Tracker et que le MSP Lab affichera les résultats de son prochain défi de reconnaissance des émotions dans la parole.