O sistema vencedor do desafio Interspeech 2025 de reconhecimento de emoções na fala em condições naturalísticas alcançou um macro-F1 de apenas 0,4316 em oito emoções, em fala real de podcasts, enquanto o melhor de 10 modelos avaliados atinge 75,32% de acurácia não ponderada no corpus RAVDESS, de fala encenada (benchmark EmoBox, Interspeech 2024). A mesma divisão atravessa a pesquisa clínica com voz: modelos de deep learning chegam a uma sensibilidade agregada de 0,83 para detectar depressão pela fala (Lu et al., BMC Psychiatry 2025), mas apenas 2 de 68 estudos de saúde mental com voz testaram o modelo em um conjunto de dados independente (Uy et al., Frontiers in Digital Health 2026). Enquanto isso, a terapia on-line já é rotina: 12,3% dos adultos dos EUA, ou 32,6 milhões de pessoas, receberam tratamento de saúde mental por telessaúde em 2025 (SAMHSA, NSDUH 2025). Reunimos dados dos rankings dos desafios do MSP Lab, dos benchmarks EmoBox e ParaLBench, de BMC Psychiatry, Annals of Family Medicine, JMIR, SAMHSA, FAIR Health, CDC NCHS, da American Psychological Association e do texto do Regulamento de IA da UE. Para o lado da demência na pesquisa de saúde por voz, veja nosso levantamento separado sobre biomarcadores de voz para Alzheimer e comprometimento cognitivo.
Esta página relata apenas achados de pesquisa. Não é aconselhamento médico, e nenhuma das ferramentas descritas aqui substitui a avaliação de um profissional de saúde qualificado.
TL;DR
- O maior macro-F1 em reconhecimento de emoções na fala naturalística com oito classes foi 0,4316, contra um baseline de 0,3293 (MSP Lab, ranking do desafio SER do Interspeech 2025).
- O melhor modelo atingiu 75,32% de acurácia não ponderada no RAVDESS encenado, mas 22,24% no MSP-Podcast (benchmark EmoBox, Interspeech 2024).
- 17,98% dos 267.905 turnos de fala do MSP-Podcast não tiveram concordância entre avaliadores sobre a emoção primária (Busso et al., MSP-Podcast Corpus 2025).
- Ouvintes humanos identificaram emoções encenadas em áudios de fala do RAVDESS com proporção de acertos de 0,63 (Livingstone e Russo, PLOS ONE 2018).
- A detecção de depressão pela fala com deep learning teve sensibilidade agregada de 0,83 e especificidade de 0,86 em 16 estudos (Lu et al., BMC Psychiatry 2025).
- Uma ferramenta de voz estudada em 14.898 adultos (4.456 na validação) atingiu 71,3% de sensibilidade e 73,5% de especificidade para depressão moderada a grave (Mazur et al., Annals of Family Medicine 2025).
- Apenas 2 de 68 estudos de saúde mental com voz usaram validação independente ou entre conjuntos de dados (Uy et al., Frontiers in Digital Health 2026).
- 32,8% dos adultos dos EUA com qualquer doença mental receberam tratamento por telessaúde em 2025 (SAMHSA, NSDUH 2025).
- 52,1% dos pacientes de telessaúde com seguro privado tinham diagnóstico de saúde mental no 1º trimestre de 2026 (FAIR Health, Quarterly Telehealth Regional Tracker 2026).
- A proibição do Regulamento de IA da UE à inferência de emoções no trabalho e nas escolas se aplica desde 2 de fevereiro de 2025 (Regulamento (UE) 2024/1689).
- 29% dos psicólogos dos EUA usaram IA ao menos uma vez por mês em 2025, ante 11% em 2024 (APA, 2025 Practitioner Pulse Survey).
1. Precisão em Benchmarks nos Corpora Padrão de Emoção
Três métricas se repetem nesta seção. A acurácia não ponderada (UA) tira a média da taxa de acerto de cada classe de emoção, de modo que todas as emoções pesam igual. A acurácia ponderada (WA) é a simples proporção de respostas corretas, o que favorece o modelo que acerta a emoção mais comum. O macro-F1 é uma pontuação semelhante, balanceada por classe, que também penaliza os falsos alarmes.
Em corpora encenados ou rigidamente controlados, o melhor modelo pontua entre 73,54% de UA (IEMOCAP) e 84,62% de UA (ESD). O melhor de 10 modelos pré-treinados obteve 84,62% de UA no corpus ESD, mas apenas 22,24% de UA no MSP-Podcast, um corpus de fala real de podcasts (benchmark EmoBox, Interspeech 2024). No MSP-Podcast, a acurácia ponderada do mesmo modelo é cerca de o dobro da não ponderada, sinal de que o modelo vai bem nas emoções frequentes e mal nas raras. Os números de acurácia de destaque em corpora encenados dizem, portanto, pouco sobre como um sistema se comporta em uma chamada telefônica ou numa sessão de terapia. As tabelas completas por conjunto de dados estão no artigo do EmoBox.
| Métrica | Valor | Fonte |
|---|---|---|
| Melhor UA entre 10 modelos (Whisper large v3): IEMOCAP (diálogo diádico encenado) e RAVDESS (fala encenada) | 73,54% e 75,32% | EmoBox (Ma et al.), Interspeech 2024 |
| Corpus RAVDESS: atores profissionais e arquivos de áudio de fala | 24 atores (12 mulheres, 12 homens), 1.440 arquivos de áudio de fala | Livingstone e Russo, registro do RAVDESS no Zenodo, 2018 |
| CREMA-D e ESD (corpora encenados), melhor UA | 76,75% e 84,62% | EmoBox (Ma et al.), Interspeech 2024 |
| MSP-Podcast (fala natural de podcasts), melhor modelo: UA vs WA | 22,24% vs 44,10% | EmoBox (Ma et al.), Interspeech 2024 |
| MELD (diálogos de séries de TV), melhor modelo: UA vs WA | 31,54% vs 51,89% | EmoBox (Ma et al.), Interspeech 2024 |
| IEMOCAP com quatro classes de emoção, melhor UA entre 14 modelos de base acústicos (Whisper-large) | 0,690 | Benchmark ParaLBench, arXiv 2411.09349 (2024) |
| IEMOCAP com quatro classes de emoção, UA do WavLM-large | 0,685 | Benchmark ParaLBench, arXiv 2411.09349 (2024) |
| Tamanho do corpus IEMOCAP | Cerca de 12 horas de dados audiovisuais | USC SAIL Lab, página da base de dados IEMOCAP |
Contexto: o EmoBox cobre 32 conjuntos de dados de emoção em 14 idiomas. Os corpora diferem no número de classes de emoção e na forma como a fala foi produzida (os rótulos categóricos do IEMOCAP se concentram em quatro emoções, a fala do RAVDESS usa oito), então as pontuações são comparáveis dentro de uma linha, mas não entre linhas. Os resultados do ParaLBench chegam a conclusões semelhantes com um conjunto diferente de modelos.
2. Condições Naturalísticas: o Desafio Interspeech 2025
O desafio Interspeech 2025 pediu às equipes que classificassem oito emoções (raiva, felicidade, tristeza, medo, surpresa, desprezo, nojo, neutro) em fala espontânea do corpus MSP-Podcast e que prevessem ativação, valência e dominância em uma escala de 1 a 7. O macro-F1 vencedor de 0,4316 representa um ganho de cerca de 0,10 sobre o baseline de 0,3293 (cálculo próprio a partir do ranking oficial), o que é um avanço real, mas ainda significa que a maioria das decisões entre oito classes em fala natural são difíceis.
A tarefa dimensional conta uma história parecida. O CCC, o coeficiente de correlação de concordância, mede o quanto as pontuações previstas acompanham as avaliações humanas (1 significa concordância perfeita). Os melhores sistemas acompanham a valência (o quanto uma voz soa positiva ou negativa) muito melhor do que a dominância (o quanto o falante soa no controle). O artigo-resumo dos organizadores observa que combinar modelos de base de áudio e de texto produziu os sistemas mais robustos.
| Métrica | Valor | Fonte |
|---|---|---|
| Tarefa 1 (oito classes de emoção), macro-F1 do baseline | 0,3293 | MSP Lab, ranking do desafio SER do Interspeech 2025 |
| Tarefa 1, maior macro-F1 (equipe NTUA) | 0,4316 | MSP Lab, ranking do desafio SER do Interspeech 2025 |
| Tarefa 2 (ativação, valência, dominância), CCC médio: baseline vs melhor sistema (equipe SAIL) | 0,5797 vs 0,6076 | MSP Lab, ranking do desafio SER do Interspeech 2025 |
| Tarefa 2, melhor sistema: CCC de valência vs CCC de dominância | 0,6829 vs 0,498 | MSP Lab, ranking do desafio SER do Interspeech 2025 |
| Submissões à Tarefa 1 relatadas por uma das equipes participantes | 166 | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Sistema da mesma equipe, pontuado pelos organizadores após o prazo: macro-F1 | 44,02% | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Dados de treino do desafio: amostras neutras vs amostras de medo | Neutras cerca de 26 vezes mais frequentes | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
Contexto: o sistema MEDUSA, primeiro colocado, usou um conjunto de 14 modelos e, ainda assim, foi treinado em uma única placa de vídeo RTX 3090, de modo que o teto aqui são os dados, não o poder de processamento. O desafio combinou dados de treino desbalanceados com conjuntos de teste balanceados entre as classes de emoção (Dutta et al., ABHINAYA 2025), e é por isso que o tratamento do desbalanceamento apareceu nas inscrições líderes.
3. Ambiguidade dos Rótulos, Concordância Humana e Transferência entre Corpora
As pontuações baixas da seção 2 são, em parte, um problema de medição. Quase um em cada cinco turnos de fala na versão final do MSP-Podcast (48.180 de 267.905) não teve concordância por maioria relativa sobre a emoção primária entre pelo menos cinco avaliadores (Busso et al., The MSP-Podcast Corpus 2025). Quando as pessoas não conseguem concordar sobre um rótulo, um modelo avaliado contra esse rótulo herda a discordância como teto.
A transferência entre corpora é o segundo ponto fraco. Um modelo treinado em um conjunto de dados e testado em outro (teste entre corpora) enfrenta novos falantes, microfones e hábitos de rotulagem. No teste entre corpora do EmoBox, cada corpus contribui com 240 trechos de teste balanceados entre quatro emoções (raiva, felicidade, neutro, tristeza), de modo que um palpite aleatório acertaria cerca de 25%. O modelo mais forte, o Whisper large v3, variou de 36,44% a 66,91% de acurácia nos 12 pares de treino e teste.
| Métrica | Valor | Fonte |
|---|---|---|
| MSP-Podcast 2.0: áudio anotado, turnos de fala, falantes, avaliadores por turno | 409 horas, 267.905 turnos, 3.641 falantes, pelo menos 5 avaliadores por turno | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Turnos de fala sem concordância por maioria relativa sobre a emoção primária | 48.180 de 267.905 (17,98%, cálculo próprio) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Concordância entre avaliadores sobre a emoção primária (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Turnos de fala rotulados como medo | 1.943 de 267.905 (0,73%, cálculo próprio) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Ouvintes humanos sem treinamento nomeando a emoção encenada na fala do RAVDESS, somente áudio (proporção de acertos) | 0,63 (IC 95% 0,62 a 0,64) | Livingstone e Russo, PLOS ONE 2018 (dados mais recentes disponíveis) |
| Acurácia entre corpora do Whisper large v3: treinado no IEMOCAP e testado no RAVDESS vs treinado no RAVDESS e testado no SAVEE | 38,24% vs 66,91% | Ranking entre corpora do EmoBox, 2024 |
| Concordância de valência (CCC) de um modelo mapeado por anotadores: testado no MSP-Podcast vs transferido para o IEMOCAP | 0,647 vs 0,516 | Tavernor e Mower Provost, arXiv 2509.12295 (2025) |
Contexto: o número humano do RAVDESS e as pontuações dos modelos da seção 1 não são uma disputa direta, já que os ouvintes escolheram entre oito rótulos mais uma opção ‘nenhuma destas’, em condições diferentes. Os números entre corpora do EmoBox estão no ranking público, e os dados de validação do RAVDESS estão documentados no seu registro no Zenodo.
4. Precisão da Detecção de Depressão e Ansiedade pela Voz
Os modelos clínicos de voz normalmente não classificam emoções discretas. Eles preveem se a pontuação de uma pessoa em um questionário como o PHQ-9 (depressão) ou o GAD-7 (ansiedade) ultrapassa um limiar. Agregando 16 estudos de deep learning, a detecção de depressão pela fala atingiu sensibilidade de 0,83 e especificidade de 0,86 (Lu et al., BMC Psychiatry 2025). O maior estudo individual abaixo relata números menores, lembrete de que médias agregadas de muitas amostras pequenas podem ser favoráveis demais.
Esse estudo coletou pelo menos 25 segundos de fala livre de 14.898 adultos nos EUA e no Canadá e, em seu conjunto de validação de 4.456 amostras, relatou 71,3% de sensibilidade (IC 95% 69,0 a 73,5) e 73,5% de especificidade (IC 95% 71,5 a 75,5) (Mazur et al., Annals of Family Medicine 2025). O estudo foi financiado por bolsas da NSF concedidas à desenvolvedora, e três autores são funcionários dessa empresa. Os modelos de ansiedade são muito menos estudados, e um estudo em gestantes mostra como eles são frágeis quando se mantém apenas a fala da própria paciente.
| Métrica | Valor | Fonte |
|---|---|---|
| Modelos de fala com deep learning para depressão: sensibilidade / especificidade agregadas (16 estudos) | 0,83 (IC 95% 0,77 a 0,88) / 0,86 (IC 95% 0,80 a 0,90) | Lu et al., BMC Psychiatry 2025 |
| AUC agregada: deep learning vs machine learning tradicional | 0,91 vs 0,89 | Lu et al., BMC Psychiatry 2025 |
| Ferramenta de voz vs pontuação de 10 ou mais no PHQ-9 (estudo com 14.898 adultos, 4.456 na validação): sensibilidade / especificidade | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Amostras de validação devolvidas como ‘recomendada avaliação adicional’ em vez de um resultado sim/não | 920 de 4.456 (cerca de 20%) | Mazur et al., Annals of Family Medicine 2025 |
| Adultos franceses da população geral (865 pessoas): AUC para depressão (PHQ-9) e ansiedade (GAD-7) | 0,76 e 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Mesmo estudo: pontuação F1 para risco no PHQ-9 e no GAD-7 | 0,49 e 0,50 | Riad et al., Journal of Medical Internet Research 2024 |
| Estudo em gestantes (146 mulheres): F1 do modelo de GAD, entrevista completa vs somente fala verificada da paciente | 76% a 80% vs 51% a 65% | Bayrampour et al., Journal of Clinical Psychiatry 2026 |
| Altura da voz (frequência fundamental) na depressão vs controles, agregada em 6 estudos | 1,82 Hz menor, p = 0,56 (não significativo) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
Contexto: a diferença de AUC entre deep learning e modelos tradicionais não foi estatisticamente significativa na análise do BMC Psychiatry, e o estudo do JMIR sobre ansiedade e depressão mostra que uma AUC respeitável ainda pode vir acompanhada de um F1 modesto quando poucas pessoas da amostra ultrapassam o limiar. Para aplicativos de consumo que gravam diários de voz em vez de rastrear doenças, veja nosso levantamento sobre aplicativos de diário de voz e terapia com IA.
5. Lacunas de Evidência: Validação, Equidade e Prontidão Clínica
Os números de acurácia da seção 4 vêm, em sua maioria, de modelos testados em dados parecidos com os de treino. Uma revisão de escopo de 2026 constatou que apenas 2 de 68 estudos de saúde mental com voz e fala (3%) validaram o modelo em uma amostra independente ou de outro conjunto de dados (Uy et al., Frontiers in Digital Health 2026). Lido junto com a seção 3, em que a acurácia cai bruscamente entre corpora, esse é o maior motivo isolado para descontar os números de acurácia de destaque.
A equidade é a outra questão em aberto. No estudo de depressão com 14.898 pessoas, a sensibilidade para homens foi 14,7 pontos percentuais menor do que para mulheres (59,3% vs 74,0%), e os homens estavam sobrerrepresentados entre os casos não detectados (31,7% dos falsos negativos vs 27,9% do conjunto de validação). A tecnologia de fala tem um longo histórico de desempenho desigual entre grupos de falantes, como documenta nosso levantamento sobre viés de sotaque no reconhecimento de fala.
| Métrica | Valor | Fonte |
|---|---|---|
| Estudos de saúde mental com voz com validação independente ou entre conjuntos de dados | 2 de 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Estudos da mesma revisão que tinham a depressão como alvo | 56 de 68 (82%) | Uy et al., Frontiers in Digital Health 2026 |
| Estudos que captaram a fala de forma passiva (gravação ambiente) | 3 de 68 (4%) | Uy et al., Frontiers in Digital Health 2026 |
| Avaliações de conjuntos de dados de triagem por voz com validação externa / testes em condições reais | 32% / 8% (de 37 avaliações) | Muntean-Codrea et al., Life 2026 |
| Avaliações de conjuntos de dados classificadas com prontidão clínica alta | 11% | Muntean-Codrea et al., Life 2026 |
| Estudos incluídos (de 34) que abordaram a ansiedade | 1 | Muntean-Codrea et al., Life 2026 |
| Estudos de explicabilidade de IA de voz clínica com avaliação com humano no circuito pelas partes interessadas | 0 de 30 | Ebraheem et al., Journal of Medical Internet Research 2026 |
| Sensibilidade da ferramenta de voz para depressão: homens vs mulheres | 59,3% vs 74,0% | Mazur et al., Annals of Family Medicine 2025 |
Contexto: a revisão da Life afirma que ‘nenhuma avaliação atendeu a todos os cinco indicadores’ de prontidão clínica (Muntean-Codrea et al., Life 2026). A revisão de explicabilidade do JMIR constatou que 6 dos seus 30 estudos usaram dados externos para checar suas explicações.
6. Uso da Terapia On-line para Saúde Mental
A telessaúde é onde a análise de voz mais plausivelmente rodaria, porque o áudio da sessão já passa por um software. Em 2025, 44,7% dos adultos dos EUA com um episódio depressivo maior no último ano, ou 8,8 milhões de pessoas, receberam tratamento de saúde mental por telessaúde (SAMHSA, 2025 NSDUH Annual National Report). O uso na população geral recuou de 12,8% dos adultos em 2024 para 12,3% em 2025, o que sugere que a terapia on-line se estabilizou como canal, em vez de ser um pico da pandemia.
Os dados de sinistros mostram o mesmo quadro do lado das operadoras: a saúde mental é a principal categoria diagnóstica de telessaúde em todas as faixas etárias, e a psicoterapia é a segunda categoria de procedimento mais comum em telessaúde (FAIR Health, Quarterly Telehealth Regional Tracker de janeiro a março de 2026). Entre os psicólogos, a prática totalmente remota passou de 64% em 2020 para 21% em 2023, com 67% atuando em regime híbrido (APA, infográfico da Practitioner Survey 2023, dados mais recentes disponíveis para esta divisão).
| Métrica | Valor | Fonte |
|---|---|---|
| Adultos dos EUA que receberam tratamento de saúde mental por telessaúde, 2025 | 12,3% (32,6 milhões) | SAMHSA, 2025 NSDUH Annual National Report |
| Adultos dos EUA que receberam tratamento de saúde mental por telessaúde, 2024 | 12,8% (33,4 milhões) | SAMHSA, 2024 NSDUH Annual National Report |
| Adultos com qualquer doença mental tratados por telessaúde, 2025 | 32,8% (17,9 milhões de 54,6 milhões) | SAMHSA, 2025 NSDUH Annual National Report |
| Pacientes de telessaúde (com seguro privado) com diagnóstico de saúde mental, 1º trimestre de 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Mesma medida, pacientes de 19 a 30 anos vs pacientes de 65 anos ou mais | 69,4% vs 22,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Pacientes de telessaúde cobrados por serviços de psicoterapia | 35,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Pacientes com seguro privado e qualquer linha de sinistro de telessaúde: áreas urbanas vs rurais | 18,6% vs 10,3% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Psicoterapia por vídeo vs presencial, 12 ensaios randomizados (900 pessoas): g de Hedges para redução de sintomas | -0,09 (IC 95% -0,52 a 0,33), sem diferença significativa | Revisão sistemática e meta-análise multinível do JMIR, 2026 |
Contexto: a NHIS, uma pesquisa federal diferente, constatou que 14,0% dos adultos dos EUA receberam aconselhamento ou terapia de um profissional de saúde mental em 2024, chegando a 20,2% entre os adultos de 18 a 29 anos (CDC NCHS Data Brief No. 564). O resultado sobre terapia por vídeo vem da meta-análise do JMIR de 2026. Para linhas de crise em vez de sessões agendadas, veja nosso levantamento sobre o volume de chamadas da 988 Suicide and Crisis Lifeline.
7. Regulação, Ética e Atitudes dos Profissionais
O reconhecimento de emoções é um dos poucos usos de IA que a UE proibiu de forma expressa em contextos específicos. O artigo 5(1)(f) do Regulamento de IA da UE proíbe sistemas de IA que inferem emoções de uma pessoa natural no ambiente de trabalho e em instituições de ensino, com exceção por razões médicas ou de segurança, e essa proibição se aplica desde 2 de fevereiro de 2025 (Regulamento (UE) 2024/1689). Fora desses contextos, os sistemas de reconhecimento de emoções são classificados como de alto risco, e quem os implanta deve informar as pessoas expostas a eles. Os considerandos do Regulamento definem emoções como estados como felicidade, tristeza, raiva, surpresa e nojo, e excluem estados físicos como dor ou fadiga.
Nos EUA, a regulação mira a terapia com IA, e não a detecção de emoções. Illinois sancionou a lei de Bem-Estar e Supervisão de Recursos Psicológicos (Wellness and Oversight for Psychological Resources Act) em 4 de agosto de 2025, proibindo que a IA tome decisões terapêuticas e permitindo o apoio administrativo (comunicado de imprensa do IDFPR de Illinois, 2025). Os profissionais estão adotando a IA rapidamente, mas com preocupações claras sobre privacidade e viés (APA, 2025 Practitioner Pulse Survey).
| Métrica | Valor | Fonte |
|---|---|---|
| Data a partir da qual se aplica a proibição da UE à inferência de emoções no trabalho e na educação | 2 de fevereiro de 2025 | Regulamento (UE) 2024/1689, artigos 5 e 113 |
| Multa máxima para práticas de IA proibidas | EUR 35.000.000 ou 7% do faturamento anual global total, o que for maior | Regulamento (UE) 2024/1689, artigo 99 |
| Data de aplicação geral do Regulamento de IA (reconhecimento de emoções classificado como de alto risco no Anexo III) | 2 de agosto de 2026 | Regulamento (UE) 2024/1689, artigo 113 e Anexo III |
| Multa de Illinois por violação confirmada da lei de terapia com IA | Até US$ 10.000 | Comunicado de imprensa do IDFPR de Illinois, agosto de 2025 |
| Psicólogos dos EUA que nunca haviam usado IA na prática: 2024 vs 2025 | 71% vs 44% | APA, 2025 Practitioner Pulse Survey |
| Psicólogos que usam IA ao menos uma vez por mês: 2024 vs 2025 | 11% vs 29% | APA, 2025 Practitioner Pulse Survey |
| Psicólogos que citam possíveis vazamentos de dados / entradas e saídas enviesadas como preocupação com a IA, 2025 | 67% / 63% | APA, 2025 Practitioner Pulse Survey |
| Psicólogos sem vagas para novos pacientes / com lista de espera, 2025 | 46% / 40% | APA, 2025 Practitioner Pulse Survey |
Contexto: a lei de Illinois foi aprovada por unanimidade nas duas casas legislativas. A pesquisa da APA teve 1.742 respondentes entre 26.502 convites entregues, uma taxa de conclusão de 6,6%, de modo que pequenas variações entre os anos devem ser lidas com cautela.
Resumo: Reconhecimento de Emoções na Fala e Terapia On-line em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Maior macro-F1 com oito classes em fala naturalística (vs baseline) | 0,4316 (vs 0,3293) | MSP Lab, ranking do desafio SER do Interspeech 2025 |
| Maior CCC médio para ativação, valência e dominância | 0,6076 | MSP Lab, ranking do desafio SER do Interspeech 2025 |
| Melhor UA no RAVDESS (encenado) vs MSP-Podcast (natural) | 75,32% vs 22,24% | EmoBox (Ma et al.), Interspeech 2024 |
| Turnos do MSP-Podcast sem concordância entre avaliadores sobre a emoção primária | 17,98% de 267.905 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Concordância entre avaliadores sobre a emoção primária (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Amostras neutras vs de medo nos dados de treino do desafio | Neutras cerca de 26 vezes mais frequentes | Dutta et al., ABHINAYA, arXiv 2025 |
| Ouvintes humanos em áudios de fala do RAVDESS (proporção de acertos) | 0,63 | Livingstone e Russo, PLOS ONE 2018 |
| Detecção de depressão com deep learning: sensibilidade / especificidade agregadas | 0,83 / 0,86 | Lu et al., BMC Psychiatry 2025 |
| AUC agregada, modelos de depressão com deep learning | 0,91 | Lu et al., BMC Psychiatry 2025 |
| Ferramenta de voz (estudo com 14.898 adultos): sensibilidade / especificidade | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Sensibilidade da ferramenta de voz: homens vs mulheres | 59,3% vs 74,0% | Mazur et al., Annals of Family Medicine 2025 |
| AUC para ansiedade (GAD-7) a partir da fala, 865 adultos | 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Estudos de saúde mental com voz com validação independente | 2 de 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Avaliações de conjuntos de dados classificadas com prontidão clínica alta | 11% | Muntean-Codrea et al., Life 2026 |
| Adultos dos EUA tratados para saúde mental por telessaúde, 2025 | 12,3% (32,6 milhões) | SAMHSA, 2025 NSDUH Annual National Report |
| Adultos com episódio depressivo maior no último ano tratados por telessaúde, 2025 | 44,7% (8,8 milhões) | SAMHSA, 2025 NSDUH Annual National Report |
| Pacientes de telessaúde com diagnóstico de saúde mental, 1º trimestre de 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| A proibição da UE à inferência de emoções no trabalho e na educação se aplica desde | 2 de fevereiro de 2025 | Regulamento (UE) 2024/1689 |
| Psicólogos que usam IA ao menos uma vez por mês, 2025 | 29% | APA, 2025 Practitioner Pulse Survey |
Metodologia e Fontes
- EmoBox: Multilingual Multi-corpus Speech Emotion Recognition Toolkit and Benchmark (Ma et al., Interspeech 2024) e seu ranking entre corpora: acurácia intra-corpus e entre corpora.
- ParaLBench: A Large-Scale Benchmark for Computational Paralinguistics over Acoustic Foundation Models (arXiv 2024): resultados do IEMOCAP para 14 modelos de base.
- USC SAIL Lab, base de dados IEMOCAP: tamanho do corpus.
- MSP Lab, Interspeech 2025 Challenge on Speech Emotion Recognition in Naturalistic Conditions: baselines e rankings; resumo dos organizadores em Naini et al., Proc. Interspeech 2025.
- Dutta et al., ABHINAYA (arXiv 2505.18217, 2025) e MEDUSA (arXiv 2506.09556, 2025): artigos dos sistemas dos participantes.
- Busso et al., The MSP-Podcast Corpus (arXiv 2509.09791, 2025): tamanho do corpus, concordância entre avaliadores, distribuição dos rótulos.
- Tavernor e Mower Provost, modelagem de anotadores para SER entre corpora (arXiv 2509.12295, 2025).
- Livingstone e Russo, RAVDESS, PLOS ONE 2018 e o registro do RAVDESS no 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 e 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.
- Meta-análise de psicoterapia por vídeo vs presencial, Journal of Medical Internet Research 2026.
- APA, 2025 Practitioner Pulse Survey e infográfico da APA sobre o local da telessaúde, 2020 a 2023.
- Regulamento (UE) 2024/1689 (Regulamento de IA da UE), texto do Jornal Oficial: artigo 3(39), artigo 5(1)(f), artigo 50(3), artigo 99(3), artigo 113, Anexo III ponto 1(c), considerando 18.
- Comunicado de imprensa do IDFPR de Illinois sobre o HB1806, 4 de agosto de 2025.
- Nota sobre os dados: as pontuações de benchmark não são comparáveis entre corpora, porque os conjuntos de rótulos, o balanceamento das classes e as métricas diferem (UA, WA, macro-F1 e CCC medem coisas diferentes). O resumo do ABHINAYA relata o 4º lugar entre 166 submissões; sua pontuação de 44,02% foi calculada pelos organizadores após o prazo e não é uma classificação oficial. O artigo do MSP-Podcast apresenta no texto a emoção neutra como cerca de 28% dos turnos, enquanto as contagens de sua tabela (79.117 de 267.905) resultam em 29,53%, e traz 409 horas no texto contra 407 horas em uma tabela; as porcentagens marcadas como ‘cálculo próprio’ foram calculadas a partir das contagens da tabela. O estudo da ferramenta de voz para depressão foi financiado por bolsas concedidas à sua desenvolvedora, com três funcionários da empresa entre os autores. Os dados de Riad et al. são de 2024 e as avaliações humanas do RAVDESS são de 2018, os mais recentes disponíveis para essas medidas. A NSDUH (qualquer tratamento, autodeclarado) e a NHIS (aconselhamento ou terapia com um profissional) medem coisas diferentes, portanto suas porcentagens não devem ser comparadas diretamente. A FAIR Health abrange apenas pacientes com seguro privado e substituiu seu rastreador mensal por um trimestral em 2026, de modo que os números mensais mais antigos não são diretamente comparáveis. As pesquisas da APA tiveram baixas taxas de conclusão (6,6% em 2025). As datas do Regulamento de IA da UE são citadas a partir do texto do Jornal Oficial do Regulamento (UE) 2024/1689; qualquer alteração posterior de seus prazos deve ser conferida na versão consolidada vigente.
Última atualização: 25 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando a FAIR Health publicar seu próximo Quarterly Telehealth Regional Tracker e o MSP Lab divulgar os resultados de seu próximo desafio de reconhecimento de emoções na fala.