Zwycięski system konkursu Interspeech 2025 na rozpoznawanie emocji w mowie w warunkach naturalnych uzyskał macro-F1 wynoszące zaledwie 0,4316 dla ośmiu emocji na prawdziwej mowie z podcastów, podczas gdy najlepszy z 10 testowanych modeli osiąga 75,32% niewarzonej dokładności na aktorskim korpusie RAVDESS (benchmark EmoBox, Interspeech 2024). Ten sam rozdźwięk widać w klinicznych badaniach nad głosem: modele uczenia głębokiego mają zbiorczą czułość 0,83 w wykrywaniu depresji na podstawie mowy (Lu i in., BMC Psychiatry 2025), a mimo to tylko 2 z 68 badań głosowych nad zdrowiem psychicznym przetestowały swój model na niezależnym zbiorze danych (Uy i in., Frontiers in Digital Health 2026). Tymczasem teleterapia stała się rutyną: 12,3% dorosłych w USA, czyli 32,6 miliona osób, otrzymało w 2025 roku leczenie zdrowia psychicznego przez telezdrowie (SAMHSA, NSDUH 2025). Zebraliśmy dane z tabel wyników konkursów MSP Lab, benchmarków EmoBox i ParaLBench, BMC Psychiatry, Annals of Family Medicine, JMIR, SAMHSA, FAIR Health, CDC NCHS, Amerykańskiego Towarzystwa Psychologicznego oraz z tekstu unijnego aktu w sprawie sztucznej inteligencji. Jeśli interesuje Cię strona badań nad głosem związana z demencją, zobacz nasze osobne zestawienie o biomarkerach głosowych choroby Alzheimera i zaburzeń poznawczych.
Ta strona przedstawia wyłącznie wyniki badań. Nie jest poradą medyczną, a żadne z opisanych tu narzędzi nie zastępuje oceny przeprowadzonej przez wykwalifikowanego klinicystę.
TL;DR
- Najwyższe macro-F1 w ośmioklasowym rozpoznawaniu emocji w mowie naturalnej wyniosło 0,4316, przy wartości bazowej 0,3293 (MSP Lab, tabela wyników konkursu SER Interspeech 2025).
- Najlepszy model osiągnął 75,32% niewarzonej dokładności na aktorskim RAVDESS, ale 22,24% na MSP-Podcast (benchmark EmoBox, Interspeech 2024).
- 17,98% z 267.905 wypowiedzi w MSP-Podcast nie miało zgodności oceniających co do emocji podstawowej (Busso i in., korpus MSP-Podcast 2025).
- Ludzie słuchający nagrań aktorskich emocji w mowie RAVDESS rozpoznawali je z odsetkiem poprawnych odpowiedzi 0,63 (Livingstone i Russo, PLOS ONE 2018).
- Wykrywanie depresji z mowy metodami uczenia głębokiego miało zbiorczą czułość 0,83 i swoistość 0,86 w 16 badaniach (Lu i in., BMC Psychiatry 2025).
- Narzędzie głosowe badane na 14.898 dorosłych (4.456 w walidacji) osiągnęło czułość 71,3% i swoistość 73,5% dla depresji umiarkowanej do ciężkiej (Mazur i in., Annals of Family Medicine 2025).
- Tylko 2 z 68 badań głosowych nad zdrowiem psychicznym zastosowały walidację niezależną lub na innym zbiorze danych (Uy i in., Frontiers in Digital Health 2026).
- W 2025 roku 32,8% dorosłych w USA z jakąkolwiek chorobą psychiczną otrzymało leczenie przez telezdrowie (SAMHSA, NSDUH 2025).
- 52,1% pacjentów telezdrowia z ubezpieczeniem komercyjnym miało w I kwartale 2026 roku rozpoznanie dotyczące zdrowia psychicznego (FAIR Health, Quarterly Telehealth Regional Tracker 2026).
- Zakaz wnioskowania o emocjach w pracy i w szkołach wynikający z unijnego aktu w sprawie AI obowiązuje od 2 lutego 2025 roku (rozporządzenie (UE) 2024/1689).
- 29% amerykańskich psychologów korzystało z AI co najmniej raz w miesiącu w 2025 roku, wobec 11% w 2024 roku (APA, 2025 Practitioner Pulse Survey).
1. Dokładność testów na standardowych korpusach emocji
W tej sekcji powtarzają się trzy miary. Niewarzona dokładność (UA) uśrednia odsetek trafień dla każdej klasy emocji, więc każda emocja liczy się tak samo. Dokładność ważona (WA) to zwykły odsetek poprawnych odpowiedzi, który nagradza model za trafianie w najczęstszą emocję. Macro-F1 to podobna miara zrównoważona względem klas, która dodatkowo karze za fałszywe alarmy.
Na korpusach aktorskich lub ściśle kontrolowanych najlepszy model uzyskuje od 73,54% UA (IEMOCAP) do 84,62% UA (ESD). Najlepszy z 10 wstępnie wytrenowanych modeli uzyskał 84,62% UA na korpusie ESD, ale tylko 22,24% UA na MSP-Podcast, korpusie prawdziwej mowy z podcastów (benchmark EmoBox, Interspeech 2024). Na MSP-Podcast dokładność ważona tego samego modelu jest mniej więcej dwukrotnie wyższa niż niewarzona, co świadczy o tym, że model dobrze radzi sobie z częstymi emocjami, a słabo z rzadkimi. Nagłówkowe wyniki dokładności z korpusów aktorskich niewiele więc mówią o tym, jak system zachowa się w rozmowie telefonicznej lub na sesji terapeutycznej. Pełne tabele dla poszczególnych zbiorów danych znajdują się w artykule o EmoBox.
| Metryka | Wartość | Źródło |
|---|---|---|
| Najlepsze UA wśród 10 modeli (Whisper large v3): IEMOCAP (aktorski dialog dwóch osób) i RAVDESS (aktorska mowa) | 73,54% i 75,32% | EmoBox (Ma i in.), Interspeech 2024 |
| Korpus RAVDESS: zawodowi aktorzy i pliki audio z mową | 24 aktorów (12 kobiet, 12 mężczyzn), 1.440 plików audio z mową | Livingstone i Russo, rekord RAVDESS w Zenodo 2018 |
| CREMA-D i ESD (korpusy aktorskie), najlepsze UA | 76,75% i 84,62% | EmoBox (Ma i in.), Interspeech 2024 |
| MSP-Podcast (naturalna mowa z podcastów), najlepszy model: UA wobec WA | 22,24% wobec 44,10% | EmoBox (Ma i in.), Interspeech 2024 |
| MELD (dialogi z seriali telewizyjnych), najlepszy model: UA wobec WA | 31,54% wobec 51,89% | EmoBox (Ma i in.), Interspeech 2024 |
| Czteroklasowe emocje IEMOCAP, najlepsze UA wśród 14 akustycznych modeli bazowych (Whisper-large) | 0,690 | Benchmark ParaLBench, arXiv 2411.09349 (2024) |
| Czteroklasowe emocje IEMOCAP, UA modelu WavLM-large | 0,685 | Benchmark ParaLBench, arXiv 2411.09349 (2024) |
| Rozmiar korpusu IEMOCAP | Około 12 godzin danych audiowizualnych | USC SAIL Lab, strona bazy danych IEMOCAP |
Kontekst: EmoBox obejmuje 32 zbiory danych o emocjach w 14 językach. Korpusy różnią się liczbą klas emocji i sposobem powstania mowy (kategorialne etykiety IEMOCAP skupiają się na czterech emocjach, a mowa RAVDESS obejmuje osiem), więc wyniki są porównywalne w obrębie wiersza, ale nie między wierszami. Wyniki ParaLBench prowadzą do podobnych wniosków przy innej puli modeli.
2. Warunki naturalne: konkurs Interspeech 2025
W konkursie Interspeech 2025 zespoły miały sklasyfikować osiem emocji (gniew, szczęście, smutek, strach, zaskoczenie, pogarda, wstręt, neutralność) w spontanicznej mowie z korpusu MSP-Podcast oraz przewidzieć pobudzenie, walencję i dominację w skali od 1 do 7. Zwycięskie macro-F1 wynoszące 0,4316 to wzrost o około 0,10 względem wartości bazowej 0,3293 (nasze obliczenie na podstawie oficjalnej tabeli wyników), co jest realnym postępem, ale wciąż oznacza, że większość ośmiokrotnych rozstrzygnięć na mowie naturalnej to trudne przypadki.
Zadanie wymiarowe pokazuje podobny obraz. CCC, czyli współczynnik korelacji zgodności, mierzy, jak blisko przewidywane wartości odpowiadają ocenom ludzi (1 oznacza pełną zgodność). Najlepsze systemy znacznie lepiej odwzorowują walencję (jak pozytywnie lub negatywnie brzmi głos) niż dominację (jak bardzo mówiący brzmi, jakby panował nad sytuacją). Artykuł podsumowujący autorstwa organizatorów zauważa, że połączenie audio i tekstowych modeli bazowych dało najbardziej odporne systemy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zadanie 1 (osiem klas emocji), bazowe macro-F1 | 0,3293 | MSP Lab, tabela wyników konkursu SER Interspeech 2025 |
| Zadanie 1, najwyższe macro-F1 (zespół NTUA) | 0,4316 | MSP Lab, tabela wyników konkursu SER Interspeech 2025 |
| Zadanie 2 (pobudzenie, walencja, dominacja), średnie CCC: wartość bazowa wobec najlepszego systemu (zespół SAIL) | 0,5797 wobec 0,6076 | MSP Lab, tabela wyników konkursu SER Interspeech 2025 |
| Zadanie 2, najlepszy system: CCC walencji wobec CCC dominacji | 0,6829 wobec 0,498 | MSP Lab, tabela wyników konkursu SER Interspeech 2025 |
| Zgłoszenia do zadania 1 podane przez jeden z uczestniczących zespołów | 166 | Dutta i in., ABHINAYA, arXiv 2505.18217 (2025) |
| System tego samego zespołu oceniony przez organizatorów po terminie: macro-F1 | 44,02% | Dutta i in., ABHINAYA, arXiv 2505.18217 (2025) |
| Dane treningowe konkursu: próbki neutralne wobec próbek ze strachem | Neutralnych około 26 razy więcej | Dutta i in., ABHINAYA, arXiv 2505.18217 (2025) |
Kontekst: system MEDUSA, który zajął pierwsze miejsce, wykorzystał zespół 14 modeli, a mimo to był trenowany na jednej karcie graficznej RTX 3090, więc barierą są tu dane, a nie moc obliczeniowa. Konkurs łączył niezrównoważone dane treningowe ze zrównoważonymi względem klas emocji zbiorami testowymi (Dutta i in., ABHINAYA 2025), dlatego radzenie sobie z brakiem równowagi pojawiało się w czołowych zgłoszeniach.
3. Niejednoznaczność etykiet, zgodność ludzi i transfer między korpusami
Niskie wyniki z sekcji 2 są częściowo problemem pomiaru. Prawie co piąta wypowiedź w końcowym wydaniu MSP-Podcast (48.180 z 267.905) nie miała zgodności względną większością co do emocji podstawowej wśród co najmniej pięciu oceniających (Busso i in., korpus MSP-Podcast 2025). Gdy ludzie nie zgadzają się co do etykiety, model oceniany względem tej etykiety dziedziczy tę niezgodność jako górną granicę wyniku.
Transfer między korpusami to drugi słaby punkt. Model wytrenowany na jednym zbiorze danych i testowany na innym (testowanie międzykorpusowe) napotyka nowych mówców, mikrofony i nawyki etykietowania. W teście międzykorpusowym EmoBox każdy korpus wnosi 240 próbek testowych zrównoważonych względem czterech emocji (gniew, radość, neutralność, smutek), więc losowe zgadywanie dałoby około 25%. Najsilniejszy model, Whisper large v3, uzyskiwał dokładność od 36,44% do 66,91% w 12 parach trening-test.
| Metryka | Wartość | Źródło |
|---|---|---|
| MSP-Podcast 2.0: zaanotowane nagrania, wypowiedzi, mówcy, oceniający na wypowiedź | 409 godzin, 267.905 wypowiedzi, 3.641 mówców, co najmniej 5 oceniających na wypowiedź | Busso i in., korpus MSP-Podcast, arXiv 2025 |
| Wypowiedzi bez zgodności względną większością co do emocji podstawowej | 48.180 z 267.905 (17,98%, nasze obliczenie) | Busso i in., korpus MSP-Podcast, arXiv 2025 |
| Zgodność oceniających co do emocji podstawowej (kappa) | 0,411 | Busso i in., korpus MSP-Podcast, arXiv 2025 |
| Wypowiedzi oznaczone jako strach | 1.943 z 267.905 (0,73%, nasze obliczenie) | Busso i in., korpus MSP-Podcast, arXiv 2025 |
| Niewyszkoleni słuchacze nazywający aktorską emocję w mowie RAVDESS, tylko audio (odsetek poprawnych odpowiedzi) | 0,63 (95% CI 0,62 do 0,64) | Livingstone i Russo, PLOS ONE 2018 (najnowsze dostępne dane) |
| Dokładność Whisper large v3 międzykorpusowa: trening na IEMOCAP, test na RAVDESS wobec treningu na RAVDESS, testu na SAVEE | 38,24% wobec 66,91% | Międzykorpusowa tabela wyników EmoBox, 2024 |
| Zgodność walencji (CCC) modelu odwzorowującego anotatorów: test na MSP-Podcast wobec transferu na IEMOCAP | 0,647 wobec 0,516 | Tavernor i Mower Provost, arXiv 2509.12295 (2025) |
Kontekst: ludzki wynik dla RAVDESS i wyniki modeli z sekcji 1 nie są bezpośrednim pojedynkiem, ponieważ słuchacze wybierali spośród ośmiu etykiet plus opcji ‘żadne z powyższych’ w innych warunkach. Międzykorpusowe wyniki EmoBox są dostępne w publicznej tabeli wyników, a dane walidacyjne RAVDESS opisano w rekordzie w Zenodo.
4. Dokładność wykrywania depresji i lęku na podstawie głosu
Kliniczne modele głosowe zwykle nie klasyfikują pojedynczych emocji. Przewidują natomiast, czy wynik osoby w kwestionariuszu takim jak PHQ-9 (depresja) lub GAD-7 (lęk) przekracza próg. W zbiorczej analizie 16 badań z uczeniem głębokim wykrywanie depresji na podstawie mowy osiągnęło czułość 0,83 i swoistość 0,86 (Lu i in., BMC Psychiatry 2025). Największe pojedyncze badanie poniżej podaje niższe wartości, co przypomina, że zbiorcze średnie z wielu małych prób mogą dawać zbyt optymistyczny obraz.
W tym badaniu zebrano co najmniej 25 sekund swobodnej mowy od 14.898 dorosłych w USA i Kanadzie i na 4.456 próbkach walidacyjnych uzyskano czułość 71,3% (95% CI od 69,0 do 73,5) oraz swoistość 73,5% (95% CI od 71,5 do 75,5) (Mazur i in., Annals of Family Medicine 2025). Badanie sfinansowano z grantów NSF przyznanych twórcy narzędzia, a trzech autorów jest pracownikami tej firmy. Modele lęku są badane znacznie rzadziej, a badanie w ciąży pokazuje, jak są kruche, gdy zachowa się wyłącznie mowę samej pacjentki.
| Metryka | Wartość | Źródło |
|---|---|---|
| Modele mowy z uczeniem głębokim dla depresji: zbiorcza czułość / swoistość (16 badań) | 0,83 (95% CI od 0,77 do 0,88) / 0,86 (95% CI od 0,80 do 0,90) | Lu i in., BMC Psychiatry 2025 |
| Zbiorcze AUC: uczenie głębokie wobec tradycyjnego uczenia maszynowego | 0,91 wobec 0,89 | Lu i in., BMC Psychiatry 2025 |
| Narzędzie głosowe wobec wyniku PHQ-9 równego 10 lub wyższego (badanie 14.898 dorosłych, 4.456 w walidacji): czułość / swoistość | 71,3% / 73,5% | Mazur i in., Annals of Family Medicine 2025 |
| Próbki walidacyjne zwrócone jako ‘zalecana dalsza ocena’ zamiast wyniku tak/nie | 920 z 4.456 (około 20%) | Mazur i in., Annals of Family Medicine 2025 |
| Dorośli Francuzi z populacji ogólnej (865 osób): AUC dla depresji (PHQ-9) i lęku (GAD-7) | 0,76 i 0,77 | Riad i in., Journal of Medical Internet Research 2024 |
| To samo badanie: wynik F1 dla ryzyka wg PHQ-9 i GAD-7 | 0,49 i 0,50 | Riad i in., Journal of Medical Internet Research 2024 |
| Badanie w ciąży (146 kobiet): F1 modelu GAD, pełny wywiad wobec samej zweryfikowanej mowy pacjentki | 76% do 80% wobec 51% do 65% | Bayrampour i in., Journal of Clinical Psychiatry 2026 |
| Wysokość głosu (częstotliwość podstawowa) w depresji wobec grup kontrolnych, zbiorczo z 6 badań | Niższa o 1,82 Hz, p = 0,56 (nieistotne statystycznie) | Cantor-Cutiva i in., Depression and Anxiety 2026 |
Kontekst: różnica AUC między uczeniem głębokim a modelami tradycyjnymi nie była istotna statystycznie w analizie z BMC Psychiatry, a badanie JMIR o lęku i depresji pokazuje, że przyzwoite AUC może iść w parze ze skromnym F1, gdy niewiele osób w próbie przekracza próg. Informacje o aplikacjach konsumenckich, które nagrywają głosowe dzienniki zamiast przesiewać w kierunku choroby, znajdziesz w naszym zestawieniu o aplikacjach do głosowego dziennika i terapii z AI.
5. Luki w dowodach: walidacja, sprawiedliwość i gotowość kliniczna
Wyniki dokładności z sekcji 4 pochodzą głównie z modeli testowanych na danych podobnych do danych treningowych. Przegląd zakresu z 2026 roku wykazał, że tylko 2 z 68 badań głosowych nad zdrowiem psychicznym (3%) zweryfikowały model na niezależnej próbie lub próbie z innego zbioru danych (Uy i in., Frontiers in Digital Health 2026). W połączeniu z sekcją 3, w której dokładność gwałtownie spada między korpusami, jest to największy pojedynczy powód, by nie przeceniać nagłówkowych wyników dokładności.
Sprawiedliwość to drugie otwarte pytanie. W badaniu depresji obejmującym 14.898 osób czułość u mężczyzn była o 14,7 punktu procentowego niższa niż u kobiet (59,3% wobec 74,0%), a mężczyźni byli nadreprezentowani wśród przypadków niewykrytych (31,7% wyników fałszywie ujemnych wobec 27,9% zbioru walidacyjnego). Technologia mowy od dawna ma udokumentowane nierówności w działaniu między grupami mówców, o czym pisze nasze zestawienie o uprzedzeniach wobec akcentów w rozpoznawaniu mowy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Głosowe badania zdrowia psychicznego z walidacją niezależną lub na innym zbiorze danych | 2 z 68 (3%) | Uy i in., Frontiers in Digital Health 2026 |
| Badania w tym samym przeglądzie dotyczące depresji | 56 z 68 (82%) | Uy i in., Frontiers in Digital Health 2026 |
| Badania rejestrujące mowę biernie (nagrywanie w tle) | 3 z 68 (4%) | Uy i in., Frontiers in Digital Health 2026 |
| Oceny zbiorów danych do głosowego przesiewu z walidacją zewnętrzną / testami w warunkach rzeczywistych | 32% / 8% (z 37 ocen) | Muntean-Codrea i in., Life 2026 |
| Oceny zbiorów danych uznane za wykazujące wysoką gotowość kliniczną | 11% | Muntean-Codrea i in., Life 2026 |
| Uwzględnione badania (z 34) dotyczące lęku | 1 | Muntean-Codrea i in., Life 2026 |
| Badania wyjaśnialności klinicznej AI głosowej z oceną przez interesariuszy z udziałem człowieka w pętli | 0 z 30 | Ebraheem i in., Journal of Medical Internet Research 2026 |
| Czułość głosowego narzędzia do wykrywania depresji: mężczyźni wobec kobiet | 59,3% wobec 74,0% | Mazur i in., Annals of Family Medicine 2025 |
Kontekst: przegląd w Life stwierdza, że ‘żadna ocena nie spełniła wszystkich pięciu wskaźników’ gotowości klinicznej (Muntean-Codrea i in., Life 2026). Przegląd wyjaśnialności w JMIR wykazał, że 6 z jego 30 badań użyło danych zewnętrznych do sprawdzenia swoich wyjaśnień.
6. Korzystanie z teleterapii w zdrowiu psychicznym
Telezdrowie to miejsce, w którym analiza głosu miałaby najwięcej sensu, ponieważ dźwięk sesji i tak przechodzi przez oprogramowanie. W 2025 roku 44,7% dorosłych w USA z epizodem dużej depresji w ostatnim roku, czyli 8,8 miliona osób, otrzymało leczenie zdrowia psychicznego przez telezdrowie (SAMHSA, 2025 NSDUH Annual National Report). Korzystanie w całej populacji nieznacznie spadło z 12,8% dorosłych w 2024 roku do 12,3% w 2025 roku, co sugeruje, że teleterapia ustabilizowała się jako stały kanał, a nie jest pandemicznym skokiem.
Dane o zgłoszeniach rozliczeniowych pokazują ten sam obraz od strony płatnika: zdrowie psychiczne jest najczęstszą kategorią rozpoznań w telezdrowiu w każdej grupie wiekowej, a psychoterapia to druga najczęstsza kategoria procedur w telezdrowiu (FAIR Health, Quarterly Telehealth Regional Tracker, styczeń do marca 2026). Wśród psychologów praktyka w pełni zdalna spadła z 64% w 2020 roku do 21% w 2023 roku, a 67% pracuje w trybie hybrydowym (APA, infografika Practitioner Survey 2023, najnowsze dostępne dane dla tego podziału).
| Metryka | Wartość | Źródło |
|---|---|---|
| Dorośli w USA otrzymujący leczenie zdrowia psychicznego przez telezdrowie, 2025 | 12,3% (32,6 miliona) | SAMHSA, 2025 NSDUH Annual National Report |
| Dorośli w USA otrzymujący leczenie zdrowia psychicznego przez telezdrowie, 2024 | 12,8% (33,4 miliona) | SAMHSA, 2024 NSDUH Annual National Report |
| Dorośli z jakąkolwiek chorobą psychiczną leczeni przez telezdrowie, 2025 | 32,8% (17,9 miliona z 54,6 miliona) | SAMHSA, 2025 NSDUH Annual National Report |
| Pacjenci telezdrowia (z ubezpieczeniem komercyjnym) z rozpoznaniem dotyczącym zdrowia psychicznego, I kwartał 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Ta sama miara, pacjenci w wieku 19 do 30 lat wobec 65 lat i starszych | 69,4% wobec 22,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Pacjenci telezdrowia rozliczani za usługi psychoterapii | 35,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Pacjenci z ubezpieczeniem komercyjnym z jakimkolwiek zgłoszeniem rozliczeniowym za telezdrowie: miasto wobec wsi | 18,6% wobec 10,3% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Psychoterapia przez wideo wobec stacjonarnej, 12 badań randomizowanych (900 osób): Hedges g dla redukcji objawów | -0,09 (95% CI od -0,52 do 0,33), brak istotnej różnicy | Przegląd systematyczny i metaanaliza wielopoziomowa w JMIR 2026 |
Kontekst: NHIS, inne badanie federalne, wykazało, że w 2024 roku 14,0% dorosłych w USA otrzymało poradnictwo lub terapię od specjalisty zdrowia psychicznego, a wśród dorosłych w wieku 18 do 29 lat było to 20,2% (CDC NCHS Data Brief No. 564). Wynik dotyczący terapii przez wideo pochodzi z metaanalizy JMIR z 2026 roku. Informacje o telefonach zaufania zamiast zaplanowanych sesji znajdziesz w naszym zestawieniu o liczbie połączeń z linią 988 Suicide and Crisis Lifeline.
7. Regulacje, etyka i postawy klinicystów
Rozpoznawanie emocji to jedno z niewielu zastosowań AI, które UE całkowicie zakazała w określonych miejscach. Art. 5 ust. 1 lit. f unijnego aktu w sprawie sztucznej inteligencji zakazuje systemów AI wnioskujących o emocjach osoby fizycznej w miejscu pracy i w instytucjach edukacyjnych, z wyjątkiem celów medycznych lub związanych z bezpieczeństwem, a zakaz ten obowiązuje od 2 lutego 2025 roku (rozporządzenie (UE) 2024/1689). Poza tymi miejscami systemy rozpoznawania emocji są wymienione jako systemy wysokiego ryzyka, a każdy, kto je wdraża, musi poinformować osoby, których dotyczą. Motywy aktu definiują emocje jako stany takie jak szczęście, smutek, gniew, zaskoczenie i wstręt, a wykluczają stany fizyczne, takie jak ból czy zmęczenie.
W USA regulacje dotyczą terapii z użyciem AI, a nie wykrywania emocji. Illinois podpisało 4 sierpnia 2025 roku ustawę Wellness and Oversight for Psychological Resources Act, która zakazuje AI podejmowania decyzji terapeutycznych, dopuszczając wsparcie administracyjne (komunikat prasowy IDFPR z Illinois 2025). Klinicyści szybko wdrażają AI, ale mają wyraźne obawy dotyczące prywatności i uprzedzeń (APA, 2025 Practitioner Pulse Survey).
| Metryka | Wartość | Źródło |
|---|---|---|
| Data, od której obowiązuje zakaz unijny wnioskowania o emocjach w pracy i edukacji | 2 lutego 2025 | Rozporządzenie (UE) 2024/1689, art. 5 i 113 |
| Maksymalna kara za zakazane praktyki AI | EUR 35.000.000 lub 7% łącznego światowego rocznego obrotu, w zależności od tego, która kwota jest wyższa | Rozporządzenie (UE) 2024/1689, art. 99 |
| Data ogólnego stosowania aktu o AI (rozpoznawanie emocji wymienione jako system wysokiego ryzyka w załączniku III) | 2 sierpnia 2026 | Rozporządzenie (UE) 2024/1689, art. 113 i załącznik III |
| Kara w Illinois za każde potwierdzone naruszenie ustawy o terapii z AI | Do $10.000 | Komunikat prasowy IDFPR z Illinois, sierpień 2025 |
| Psychologowie w USA, którzy nigdy nie używali AI w praktyce: 2024 wobec 2025 | 71% wobec 44% | APA, 2025 Practitioner Pulse Survey |
| Psychologowie korzystający z AI co najmniej raz w miesiącu: 2024 wobec 2025 | 11% wobec 29% | APA, 2025 Practitioner Pulse Survey |
| Psychologowie wskazujący potencjalne wycieki danych / stronnicze dane wejściowe i wyjściowe jako obawę związaną z AI, 2025 | 67% / 63% | APA, 2025 Practitioner Pulse Survey |
| Psychologowie bez wolnych miejsc dla nowych pacjentów / z listą oczekujących, 2025 | 46% / 40% | APA, 2025 Practitioner Pulse Survey |
Kontekst: ustawa z Illinois została uchwalona jednogłośnie w obu izbach. W badaniu APA wzięło udział 1.742 respondentów z 26.502 doręczonych zaproszeń, co daje 6,6% ukończonych ankiet, więc niewielkie zmiany między latami należy interpretować ostrożnie.
Podsumowanie: rozpoznawanie emocji w mowie i teleterapia w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Najwyższe ośmioklasowe macro-F1 na mowie naturalnej (wobec wartości bazowej) | 0,4316 (wobec 0,3293) | MSP Lab, tabela wyników konkursu SER Interspeech 2025 |
| Najwyższe średnie CCC dla pobudzenia, walencji i dominacji | 0,6076 | MSP Lab, tabela wyników konkursu SER Interspeech 2025 |
| Najlepsze UA na RAVDESS (aktorska) wobec MSP-Podcast (naturalna) | 75,32% wobec 22,24% | EmoBox (Ma i in.), Interspeech 2024 |
| Wypowiedzi MSP-Podcast bez zgodności oceniających co do emocji podstawowej | 17,98% z 267.905 | Busso i in., korpus MSP-Podcast, arXiv 2025 |
| Zgodność oceniających co do emocji podstawowej (kappa) | 0,411 | Busso i in., korpus MSP-Podcast, arXiv 2025 |
| Próbki neutralne wobec próbek ze strachem w danych treningowych konkursu | Neutralnych około 26 razy więcej | Dutta i in., ABHINAYA, arXiv 2025 |
| Ludzcy słuchacze na nagraniach mowy RAVDESS (odsetek poprawnych odpowiedzi) | 0,63 | Livingstone i Russo, PLOS ONE 2018 |
| Wykrywanie depresji metodami uczenia głębokiego: zbiorcza czułość / swoistość | 0,83 / 0,86 | Lu i in., BMC Psychiatry 2025 |
| Zbiorcze AUC modeli depresji z uczeniem głębokim | 0,91 | Lu i in., BMC Psychiatry 2025 |
| Narzędzie głosowe (badanie 14.898 dorosłych): czułość / swoistość | 71,3% / 73,5% | Mazur i in., Annals of Family Medicine 2025 |
| Czułość narzędzia głosowego: mężczyźni wobec kobiet | 59,3% wobec 74,0% | Mazur i in., Annals of Family Medicine 2025 |
| AUC dla lęku (GAD-7) na podstawie mowy, 865 dorosłych | 0,77 | Riad i in., Journal of Medical Internet Research 2024 |
| Głosowe badania zdrowia psychicznego z walidacją niezależną | 2 z 68 (3%) | Uy i in., Frontiers in Digital Health 2026 |
| Oceny zbiorów danych uznane za wykazujące wysoką gotowość kliniczną | 11% | Muntean-Codrea i in., Life 2026 |
| Dorośli w USA leczeni z powodu zdrowia psychicznego przez telezdrowie, 2025 | 12,3% (32,6 miliona) | SAMHSA, 2025 NSDUH Annual National Report |
| Dorośli z epizodem dużej depresji w ostatnim roku leczeni przez telezdrowie, 2025 | 44,7% (8,8 miliona) | SAMHSA, 2025 NSDUH Annual National Report |
| Pacjenci telezdrowia z rozpoznaniem dotyczącym zdrowia psychicznego, I kwartał 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Zakaz unijny wnioskowania o emocjach w pracy i edukacji obowiązuje od | 2 lutego 2025 | Rozporządzenie (UE) 2024/1689 |
| Psychologowie korzystający z AI co najmniej raz w miesiącu, 2025 | 29% | APA, 2025 Practitioner Pulse Survey |
Metodologia i źródła
- EmoBox: Multilingual Multi-corpus Speech Emotion Recognition Toolkit and Benchmark (Ma i in., Interspeech 2024) oraz jego międzykorpusowa tabela wyników: dokładność wewnątrzkorpusowa i międzykorpusowa.
- ParaLBench: A Large-Scale Benchmark for Computational Paralinguistics over Acoustic Foundation Models (arXiv 2024): wyniki IEMOCAP dla 14 modeli bazowych.
- USC SAIL Lab, baza danych IEMOCAP: rozmiar korpusu.
- MSP Lab, Interspeech 2025 Challenge on Speech Emotion Recognition in Naturalistic Conditions: wartości bazowe i tabele wyników; podsumowanie organizatorów w Naini i in., Proc. Interspeech 2025.
- Dutta i in., ABHINAYA (arXiv 2505.18217, 2025) oraz MEDUSA (arXiv 2506.09556, 2025): artykuły o systemach uczestników.
- Busso i in., The MSP-Podcast Corpus (arXiv 2509.09791, 2025): rozmiar korpusu, zgodność oceniających, rozkład etykiet.
- Tavernor i Mower Provost, modelowanie anotatorów w międzykorpusowym SER (arXiv 2509.12295, 2025).
- Livingstone i Russo, RAVDESS, PLOS ONE 2018 oraz rekord RAVDESS w Zenodo.
- Lu i in., BMC Psychiatry 2025; Mazur i in., Annals of Family Medicine 2025; Riad i in., Journal of Medical Internet Research 2024; Bayrampour i in., Journal of Clinical Psychiatry 2026; Cantor-Cutiva i in., Depression and Anxiety 2026.
- Uy i in., Frontiers in Digital Health 2026; Muntean-Codrea i in., Life 2026; Ebraheem i in., Journal of Medical Internet Research 2026.
- SAMHSA, 2025 NSDUH Annual National Report oraz 2024 NSDUH Annual National Report.
- FAIR Health, Quarterly Telehealth Regional Tracker, styczeń do marca 2026, Stany Zjednoczone.
- CDC NCHS Data Brief No. 564, Mental Health Treatment Among Adults: United States, 2024.
- Metaanaliza psychoterapii przez wideo wobec stacjonarnej, Journal of Medical Internet Research 2026.
- APA, 2025 Practitioner Pulse Survey oraz infografika APA o lokalizacji telezdrowia 2020 do 2023.
- Rozporządzenie (UE) 2024/1689 (unijny akt w sprawie sztucznej inteligencji), tekst z Dziennika Urzędowego: art. 3 pkt 39, art. 5 ust. 1 lit. f, art. 50 ust. 3, art. 99 ust. 3, art. 113, załącznik III pkt 1 lit. c, motyw 18.
- Komunikat prasowy IDFPR z Illinois w sprawie HB1806, 4 sierpnia 2025.
- Uwaga o danych: wyniki testów nie są porównywalne między korpusami, ponieważ zestawy etykiet, równowaga klas i miary się różnią (UA, WA, macro-F1 i CCC mierzą różne rzeczy). Streszczenie ABHINAYA podaje 4. miejsce wśród 166 zgłoszeń; jego wynik 44,02% został obliczony przez organizatorów po terminie i nie jest oficjalnym rankingiem. Artykuł o MSP-Podcast podaje w tekście, że neutralność to około 28% wypowiedzi, podczas gdy liczby w jego tabeli (79.117 z 267.905) dają 29,53%, a także podaje 409 godzin w tekście wobec 407 godzin w jednej z tabel; wartości procentowe oznaczone jako ‘nasze obliczenie’ wyliczono z liczebności w tabelach. Badanie głosowego narzędzia do wykrywania depresji sfinansowano z grantów dla jego twórcy, a trzech autorów to pracownicy firmy. Dane Riad i in. pochodzą z 2024 roku, a ludzkie oceny RAVDESS z 2018 roku, co jest najnowszymi dostępnymi danymi dla tych miar. NSDUH (dowolne leczenie, samoopis) i NHIS (poradnictwo lub terapia od specjalisty) mierzą różne rzeczy, więc ich wartości procentowych nie należy porównywać bezpośrednio. FAIR Health obejmuje wyłącznie pacjentów z ubezpieczeniem komercyjnym i w 2026 roku zastąpił miesięczny tracker kwartalnym, więc starsze dane miesięczne nie są bezpośrednio porównywalne. Ankiety APA miały niski odsetek ukończenia (6,6% w 2025 roku). Daty unijnego aktu o AI przytoczono z tekstu Dziennika Urzędowego rozporządzenia (UE) 2024/1689; wszelkie późniejsze zmiany jego harmonogramu należy sprawdzić w aktualnej wersji skonsolidowanej.
Ostatnia aktualizacja: 25 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia można się spodziewać, gdy FAIR Health opublikuje swój następny Quarterly Telehealth Regional Tracker, a MSP Lab zamieści wyniki swojego kolejnego konkursu na rozpoznawanie emocji w mowie.