Hệ thống thắng cuộc thi Interspeech 2025 về nhận diện cảm xúc giọng nói trong điều kiện tự nhiên chỉ đạt macro-F1 0,4316 trên tám cảm xúc với giọng nói podcast thực tế, trong khi mô hình tốt nhất trong 10 mô hình được đánh giá đạt độ chính xác không trọng số 75,32% trên tập dữ liệu RAVDESS do diễn viên thể hiện (benchmark EmoBox, Interspeech 2024). Sự chênh lệch tương tự xuất hiện trong nghiên cứu giọng nói lâm sàng: các mô hình học sâu cho độ nhạy gộp 0,83 khi phát hiện trầm cảm từ lời nói (Lu et al., BMC Psychiatry 2025), nhưng chỉ 2 trong 68 nghiên cứu giọng nói về sức khỏe tâm thần thử mô hình trên một tập dữ liệu độc lập (Uy et al., Frontiers in Digital Health 2026). Trong khi đó, trị liệu từ xa nay đã trở nên phổ biến: 12,3% người trưởng thành Mỹ, tức 32,6 triệu người, nhận điều trị sức khỏe tâm thần qua y tế từ xa vào năm 2025 (SAMHSA, 2025 NSDUH). Chúng tôi tổng hợp dữ liệu từ các bảng xếp hạng cuộc thi của MSP Lab, các benchmark EmoBox và ParaLBench, BMC Psychiatry, Annals of Family Medicine, JMIR, SAMHSA, FAIR Health, CDC NCHS, American Psychological Association và văn bản của EU AI Act. Về khía cạnh sa sút trí tuệ trong nghiên cứu sức khỏe giọng nói, hãy xem bài tổng hợp riêng của chúng tôi về dấu ấn sinh học giọng nói cho Alzheimer và suy giảm nhận thức.
Trang này chỉ báo cáo các kết quả nghiên cứu. Đây không phải lời khuyên y tế, và không công cụ nào được mô tả ở đây thay thế được việc đánh giá bởi một bác sĩ lâm sàng có chuyên môn.
Tóm tắt nhanh
- Macro-F1 cao nhất cho nhận diện cảm xúc giọng nói tự nhiên tám lớp là 0,4316, so với mức cơ sở 0,3293 (MSP Lab, bảng xếp hạng Interspeech 2025 SER Challenge).
- Mô hình tốt nhất đạt độ chính xác không trọng số 75,32% trên RAVDESS do diễn viên thể hiện nhưng chỉ 22,24% trên MSP-Podcast (benchmark EmoBox, Interspeech 2024).
- 17,98% trong 267.905 lượt nói của MSP-Podcast không có sự đồng thuận giữa những người đánh giá về cảm xúc chính (Busso et al., MSP-Podcast Corpus 2025).
- Người nghe là con người nhận diện các cảm xúc được diễn trong tệp âm thanh giọng nói RAVDESS với tỷ lệ đúng 0,63 (Livingstone và Russo, PLOS ONE 2018).
- Phát hiện trầm cảm từ giọng nói bằng học sâu cho độ nhạy gộp 0,83 và độ đặc hiệu gộp 0,86 trên 16 nghiên cứu (Lu et al., BMC Psychiatry 2025).
- Một công cụ giọng nói được nghiên cứu trên 14.898 người trưởng thành (4.456 người trong phần xác thực) đạt độ nhạy 71,3% và độ đặc hiệu 73,5% đối với trầm cảm mức vừa đến nặng (Mazur et al., Annals of Family Medicine 2025).
- Chỉ 2 trong 68 nghiên cứu giọng nói về sức khỏe tâm thần dùng xác thực độc lập hoặc liên tập dữ liệu (Uy et al., Frontiers in Digital Health 2026).
- 32,8% người trưởng thành Mỹ mắc bất kỳ bệnh tâm thần nào nhận điều trị qua y tế từ xa vào năm 2025 (SAMHSA, 2025 NSDUH).
- 52,1% bệnh nhân y tế từ xa có bảo hiểm thương mại có chẩn đoán sức khỏe tâm thần trong quý 1 năm 2026 (FAIR Health, Quarterly Telehealth Regional Tracker 2026).
- Lệnh cấm của EU AI Act đối với việc suy luận cảm xúc tại nơi làm việc và trường học có hiệu lực từ ngày 2 tháng 2 năm 2025 (Regulation (EU) 2024/1689).
- 29% nhà tâm lý học Mỹ dùng AI ít nhất mỗi tháng một lần vào năm 2025, tăng từ 11% năm 2024 (APA, 2025 Practitioner Pulse Survey).
1. Độ Chính Xác Benchmark Trên Các Tập Dữ Liệu Cảm Xúc Chuẩn
Ba chỉ số xuất hiện lặp lại trong phần này. Độ chính xác không trọng số (UA) lấy trung bình tỷ lệ trúng của từng lớp cảm xúc, nên mỗi cảm xúc được tính ngang nhau. Độ chính xác có trọng số (WA) là tỷ lệ câu trả lời đúng thông thường, thưởng cho mô hình vì nhận đúng cảm xúc phổ biến nhất. Macro-F1 là điểm số cân bằng theo lớp tương tự, đồng thời phạt cả các báo động giả.
Trên các tập dữ liệu do diễn viên thể hiện hoặc được kiểm soát chặt chẽ, mô hình tốt nhất đạt từ 73,54% UA (IEMOCAP) đến 84,62% UA (ESD). Mô hình tốt nhất trong 10 mô hình huấn luyện sẵn đạt 84,62% UA trên tập ESD nhưng chỉ 22,24% UA trên MSP-Podcast, một tập dữ liệu giọng nói podcast thực tế (benchmark EmoBox, Interspeech 2024). Trên MSP-Podcast, độ chính xác có trọng số của cùng mô hình xấp xỉ gấp đôi độ chính xác không trọng số, dấu hiệu cho thấy mô hình làm tốt với các cảm xúc thường gặp và kém với các cảm xúc hiếm. Vì vậy, các con số độ chính xác nổi bật từ tập dữ liệu do diễn viên thể hiện nói rất ít về cách một hệ thống hoạt động trong cuộc gọi điện thoại hay buổi trị liệu. Các bảng đầy đủ theo từng tập dữ liệu nằm trong bài báo EmoBox.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| UA tốt nhất trong 10 mô hình (Whisper large v3): IEMOCAP (đối thoại song phương được diễn) và RAVDESS (giọng nói được diễn) | 73,54% và 75,32% | EmoBox (Ma et al.), Interspeech 2024 |
| Tập dữ liệu RAVDESS: diễn viên chuyên nghiệp và tệp âm thanh giọng nói | 24 diễn viên (12 nữ, 12 nam), 1.440 tệp âm thanh giọng nói | Livingstone và Russo, bản ghi Zenodo của RAVDESS 2018 |
| CREMA-D và ESD (tập dữ liệu do diễn viên thể hiện), UA tốt nhất | 76,75% và 84,62% | EmoBox (Ma et al.), Interspeech 2024 |
| MSP-Podcast (giọng nói podcast tự nhiên), mô hình tốt nhất: UA so với WA | 22,24% so với 44,10% | EmoBox (Ma et al.), Interspeech 2024 |
| MELD (đối thoại phim truyền hình), mô hình tốt nhất: UA so với WA | 31,54% so với 51,89% | EmoBox (Ma et al.), Interspeech 2024 |
| Cảm xúc bốn lớp IEMOCAP, UA tốt nhất trong 14 mô hình nền tảng âm thanh (Whisper-large) | 0,690 | benchmark ParaLBench, arXiv 2411.09349 (2024) |
| Cảm xúc bốn lớp IEMOCAP, UA của WavLM-large | 0,685 | benchmark ParaLBench, arXiv 2411.09349 (2024) |
| Quy mô của tập dữ liệu IEMOCAP | Khoảng 12 giờ dữ liệu nghe nhìn | USC SAIL Lab, trang cơ sở dữ liệu IEMOCAP |
Bối cảnh: EmoBox bao gồm 32 tập dữ liệu cảm xúc bằng 14 ngôn ngữ. Các tập dữ liệu khác nhau về số lớp cảm xúc và cách giọng nói được tạo ra (nhãn phân loại của IEMOCAP tập trung vào bốn cảm xúc, giọng nói RAVDESS dùng tám), nên điểm số có thể so sánh trong cùng một hàng nhưng không thể so sánh giữa các hàng. Kết quả ParaLBench đưa ra kết luận tương tự với một nhóm mô hình khác.
2. Điều Kiện Tự Nhiên: Cuộc Thi Interspeech 2025
Cuộc thi Interspeech 2025 yêu cầu các nhóm phân loại tám cảm xúc (tức giận, vui vẻ, buồn bã, sợ hãi, ngạc nhiên, khinh miệt, ghê tởm, trung tính) trong giọng nói tự phát từ tập dữ liệu MSP-Podcast, và dự đoán mức kích thích (arousal), valence và mức chi phối (dominance) trên thang từ 1 đến 7. Macro-F1 thắng cuộc 0,4316 là mức cải thiện khoảng 0,10 so với mức cơ sở 0,3293 (tính toán của chúng tôi từ bảng xếp hạng chính thức), đây là tiến bộ thực sự nhưng vẫn có nghĩa là phần lớn các quyết định tám hướng trên giọng nói tự nhiên là những quyết định khó.
Nhiệm vụ theo chiều cũng cho thấy câu chuyện tương tự. CCC, hệ số tương quan đồng thuận, đo mức độ điểm dự đoán bám sát đánh giá của con người (1 nghĩa là đồng thuận hoàn hảo). Các hệ thống hàng đầu bám sát valence (giọng nói nghe tích cực hay tiêu cực đến đâu) tốt hơn nhiều so với dominance (người nói nghe có vẻ kiểm soát tình huống đến đâu). Bài báo tóm tắt của ban tổ chức ghi nhận rằng kết hợp các mô hình nền tảng âm thanh và văn bản tạo ra những hệ thống bền vững nhất.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Nhiệm vụ 1 (tám lớp cảm xúc), macro-F1 cơ sở | 0,3293 | MSP Lab, bảng xếp hạng Interspeech 2025 SER Challenge |
| Nhiệm vụ 1, macro-F1 cao nhất (nhóm NTUA) | 0,4316 | MSP Lab, bảng xếp hạng Interspeech 2025 SER Challenge |
| Nhiệm vụ 2 (arousal, valence, dominance), CCC trung bình: mức cơ sở so với hệ thống hàng đầu (nhóm SAIL) | 0,5797 so với 0,6076 | MSP Lab, bảng xếp hạng Interspeech 2025 SER Challenge |
| Nhiệm vụ 2, hệ thống hàng đầu: CCC của valence so với CCC của dominance | 0,6829 so với 0,498 | MSP Lab, bảng xếp hạng Interspeech 2025 SER Challenge |
| Số bài nộp Nhiệm vụ 1 do một nhóm tham gia báo cáo | 166 | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Hệ thống của cùng nhóm, được ban tổ chức chấm sau hạn chót: macro-F1 | 44,02% | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
| Dữ liệu huấn luyện của cuộc thi: mẫu trung tính so với mẫu sợ hãi | Trung tính nhiều hơn khoảng 26 lần | Dutta et al., ABHINAYA, arXiv 2505.18217 (2025) |
Bối cảnh: hệ thống MEDUSA đạt hạng nhất dùng một tập hợp 14 mô hình nhưng được huấn luyện trên chỉ một card đồ họa RTX 3090, nên trần giới hạn ở đây là dữ liệu chứ không phải sức tính toán. Cuộc thi kết hợp dữ liệu huấn luyện mất cân bằng với các tập kiểm tra cân bằng giữa các lớp cảm xúc (Dutta et al., ABHINAYA 2025), đó là lý do việc xử lý mất cân bằng nổi bật trong các bài dự thi hàng đầu.
3. Mơ Hồ Của Nhãn, Đồng Thuận Của Con Người và Chuyển Giao Liên Tập Dữ Liệu
Điểm số thấp ở phần 2 một phần là vấn đề đo lường. Gần một trong năm lượt nói trong bản phát hành cuối của MSP-Podcast (48.180 trong 267.905) không có nhãn nào chiếm đa số cho cảm xúc chính giữa ít nhất năm người đánh giá (Busso et al., The MSP-Podcast Corpus 2025). Khi con người không thể thống nhất một nhãn, mô hình được chấm theo nhãn đó thừa hưởng sự bất đồng ấy như một trần giới hạn.
Chuyển giao giữa các tập dữ liệu là điểm yếu thứ hai. Một mô hình được huấn luyện trên một tập dữ liệu và kiểm tra trên tập khác (kiểm tra liên tập dữ liệu) phải đối mặt với người nói mới, micro mới và thói quen gán nhãn mới. Trong bài kiểm tra liên tập dữ liệu của EmoBox, mỗi tập dữ liệu đóng góp 240 đoạn kiểm tra cân bằng trên bốn cảm xúc (tức giận, vui vẻ, trung tính, buồn bã), nên đoán ngẫu nhiên sẽ đạt khoảng 25%. Mô hình mạnh nhất, Whisper large v3, đạt độ chính xác từ 36,44% đến 66,91% trên 12 cặp huấn luyện-kiểm tra.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| MSP-Podcast 2.0: âm thanh được chú thích, lượt nói, người nói, người đánh giá mỗi lượt | 409 giờ, 267.905 lượt, 3.641 người nói, ít nhất 5 người đánh giá mỗi lượt | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Lượt nói không có nhãn nào chiếm đa số cho cảm xúc chính | 48.180 trong 267.905 (17,98%, tính toán của chúng tôi) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Mức đồng thuận giữa những người đánh giá về cảm xúc chính (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Lượt nói được gán nhãn sợ hãi | 1.943 trong 267.905 (0,73%, tính toán của chúng tôi) | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Người nghe chưa qua huấn luyện gọi tên cảm xúc được diễn trong giọng nói RAVDESS, chỉ có âm thanh (tỷ lệ đúng) | 0,63 (KTC 95% 0,62 đến 0,64) | Livingstone và Russo, PLOS ONE 2018 (dữ liệu mới nhất hiện có) |
| Độ chính xác liên tập dữ liệu của Whisper large v3: huấn luyện trên IEMOCAP, kiểm tra trên RAVDESS so với huấn luyện trên RAVDESS, kiểm tra trên SAVEE | 38,24% so với 66,91% | bảng xếp hạng liên tập dữ liệu EmoBox, 2024 |
| Mức đồng thuận valence (CCC) của mô hình ánh xạ theo người chú thích: kiểm tra trên MSP-Podcast so với chuyển sang IEMOCAP | 0,647 so với 0,516 | Tavernor và Mower Provost, arXiv 2509.12295 (2025) |
Bối cảnh: con số của con người trên RAVDESS và điểm của mô hình ở phần 1 không phải là một cuộc đối đầu trực tiếp, vì người nghe chọn giữa tám nhãn cộng thêm lựa chọn ‘không nhãn nào trong số này’ trong những điều kiện khác nhau. Các con số liên tập dữ liệu của EmoBox nằm trên bảng xếp hạng công khai, còn dữ liệu xác thực của RAVDESS được ghi lại trong bản ghi Zenodo của nó.
4. Độ Chính Xác Phát Hiện Trầm Cảm và Lo Âu Dựa Trên Giọng Nói
Các mô hình giọng nói lâm sàng thường không phân loại các cảm xúc rời rạc. Chúng dự đoán liệu điểm của một người trên bảng câu hỏi như PHQ-9 (trầm cảm) hoặc GAD-7 (lo âu) có vượt ngưỡng hay không. Gộp từ 16 nghiên cứu học sâu, phát hiện trầm cảm dựa trên lời nói đạt độ nhạy 0,83 và độ đặc hiệu 0,86 (Lu et al., BMC Psychiatry 2025). Nghiên cứu đơn lẻ lớn nhất dưới đây báo cáo con số thấp hơn, một lời nhắc rằng trung bình gộp từ nhiều mẫu nhỏ có thể tô hồng kết quả.
Nghiên cứu đó thu thập ít nhất 25 giây lời nói tự do từ 14.898 người trưởng thành ở Mỹ và Canada, và trên tập xác thực 4.456 mẫu, báo cáo độ nhạy 71,3% (KTC 95% 69,0 đến 73,5) và độ đặc hiệu 73,5% (KTC 95% 71,5 đến 75,5) (Mazur et al., Annals of Family Medicine 2025). Nghiên cứu được tài trợ qua các khoản tài trợ của NSF cấp cho nhà phát triển, và ba tác giả là nhân viên của công ty đó. Các mô hình lo âu được nghiên cứu ít hơn nhiều, và một nghiên cứu về thai kỳ cho thấy chúng mong manh đến mức nào khi chỉ giữ lại lời nói của chính bệnh nhân.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mô hình học sâu về giọng nói cho trầm cảm: độ nhạy / độ đặc hiệu gộp (16 nghiên cứu) | 0,83 (KTC 95% 0,77 đến 0,88) / 0,86 (KTC 95% 0,80 đến 0,90) | Lu et al., BMC Psychiatry 2025 |
| AUC gộp: học sâu so với học máy truyền thống | 0,91 so với 0,89 | Lu et al., BMC Psychiatry 2025 |
| Công cụ giọng nói so với điểm PHQ-9 từ 10 trở lên (nghiên cứu 14.898 người trưởng thành, 4.456 người trong phần xác thực): độ nhạy / độ đặc hiệu | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Mẫu xác thực được trả về là ‘khuyến nghị đánh giá thêm’ thay vì kết quả có/không | 920 trong 4.456 (khoảng 20%) | Mazur et al., Annals of Family Medicine 2025 |
| Người trưởng thành Pháp trong dân số chung (865 người): AUC cho trầm cảm (PHQ-9) và lo âu (GAD-7) | 0,76 và 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Cùng nghiên cứu: điểm F1 cho nguy cơ PHQ-9 và GAD-7 | 0,49 và 0,50 | Riad et al., Journal of Medical Internet Research 2024 |
| Nghiên cứu thai kỳ (146 phụ nữ): F1 của mô hình GAD, toàn bộ cuộc phỏng vấn so với chỉ lời nói đã xác minh của bệnh nhân | 76% đến 80% so với 51% đến 65% | Bayrampour et al., Journal of Clinical Psychiatry 2026 |
| Cao độ giọng nói (tần số cơ bản) ở người trầm cảm so với nhóm đối chứng, gộp từ 6 nghiên cứu | thấp hơn 1,82 Hz, p = 0,56 (không có ý nghĩa) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
Bối cảnh: chênh lệch AUC giữa học sâu và các mô hình truyền thống không có ý nghĩa thống kê trong phân tích của BMC Psychiatry, và nghiên cứu JMIR về lo âu và trầm cảm cho thấy một AUC đáng nể vẫn có thể đi cùng F1 khiêm tốn khi chỉ ít người trong mẫu vượt ngưỡng. Với các ứng dụng dành cho người dùng ghi nhật ký giọng nói thay vì sàng lọc bệnh, hãy xem bài tổng hợp của chúng tôi về ứng dụng nhật ký giọng nói và trị liệu bằng AI.
5. Khoảng Trống Bằng Chứng: Xác Thực, Công Bằng và Mức Sẵn Sàng Lâm Sàng
Các con số độ chính xác ở phần 4 chủ yếu đến từ các mô hình được kiểm tra trên dữ liệu giống với dữ liệu huấn luyện của chúng. Một tổng quan phạm vi năm 2026 phát hiện chỉ 2 trong 68 nghiên cứu giọng nói và lời nói về sức khỏe tâm thần (3%) xác thực mô hình trên mẫu độc lập hoặc liên tập dữ liệu (Uy et al., Frontiers in Digital Health 2026). Đọc cùng phần 3, nơi độ chính xác giảm mạnh giữa các tập dữ liệu, đây là lý do lớn nhất để chiết khấu các con số độ chính xác nổi bật.
Công bằng là câu hỏi mở còn lại. Trong nghiên cứu trầm cảm trên 14.898 người, độ nhạy ở nam giới thấp hơn nữ giới 14,7 điểm phần trăm (59,3% so với 74,0%), và nam giới chiếm tỷ lệ cao trong các ca bị bỏ sót (31,7% số âm tính giả so với 27,9% của tập xác thực). Công nghệ giọng nói có lịch sử dài hoạt động không đồng đều giữa các nhóm người nói, như bài tổng hợp của chúng tôi về thiên kiến giọng vùng miền trong nhận dạng giọng nói đã ghi lại.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Nghiên cứu giọng nói về sức khỏe tâm thần có xác thực độc lập hoặc liên tập dữ liệu | 2 trong 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Nghiên cứu trong cùng tổng quan nhắm vào trầm cảm | 56 trong 68 (82%) | Uy et al., Frontiers in Digital Health 2026 |
| Nghiên cứu thu lời nói một cách thụ động (ghi âm môi trường) | 3 trong 68 (4%) | Uy et al., Frontiers in Digital Health 2026 |
| Các lần đánh giá tập dữ liệu sàng lọc giọng nói có xác thực bên ngoài / thử nghiệm trong thế giới thực | 32% / 8% (trong 37 lần đánh giá) | Muntean-Codrea et al., Life 2026 |
| Các lần đánh giá tập dữ liệu được xếp mức sẵn sàng lâm sàng cao | 11% | Muntean-Codrea et al., Life 2026 |
| Nghiên cứu được đưa vào (trong 34) đề cập đến lo âu | 1 | Muntean-Codrea et al., Life 2026 |
| Nghiên cứu về khả năng giải thích của AI giọng nói lâm sàng có đánh giá với con người trong vòng lặp bởi các bên liên quan | 0 trong 30 | Ebraheem et al., Journal of Medical Internet Research 2026 |
| Độ nhạy của công cụ giọng nói về trầm cảm: nam so với nữ | 59,3% so với 74,0% | Mazur et al., Annals of Family Medicine 2025 |
Bối cảnh: tổng quan trên Life nêu rằng ‘không lần đánh giá nào đáp ứng cả năm chỉ số’ về mức sẵn sàng lâm sàng (Muntean-Codrea et al., Life 2026). Tổng quan về khả năng giải thích trên JMIR phát hiện rằng 6 trong 30 nghiên cứu của nó dùng dữ liệu bên ngoài để kiểm tra các phần giải thích.
6. Việc Sử Dụng Trị Liệu Từ Xa Cho Sức Khỏe Tâm Thần
Y tế từ xa là nơi phân tích giọng nói có nhiều khả năng chạy nhất, vì âm thanh buổi trị liệu vốn đã đi qua phần mềm. Năm 2025, 44,7% người trưởng thành Mỹ có giai đoạn trầm cảm nặng trong năm qua, tức 8,8 triệu người, nhận điều trị sức khỏe tâm thần qua y tế từ xa (SAMHSA, 2025 NSDUH Annual National Report). Mức sử dụng trên toàn dân số giảm nhẹ từ 12,8% người trưởng thành năm 2024 xuống 12,3% năm 2025, cho thấy trị liệu từ xa đã ổn định thành một kênh bền vững chứ không phải một đợt tăng đột biến do đại dịch.
Dữ liệu yêu cầu thanh toán cho thấy bức tranh tương tự từ phía bên chi trả: sức khỏe tâm thần là nhóm chẩn đoán y tế từ xa hàng đầu ở mọi nhóm tuổi, và trị liệu tâm lý là nhóm thủ thuật y tế từ xa phổ biến thứ hai (FAIR Health, Quarterly Telehealth Regional Tracker January to March 2026). Trong giới nhà tâm lý học, tỷ lệ hành nghề hoàn toàn từ xa giảm từ 64% năm 2020 xuống 21% năm 2023, với 67% làm việc theo hình thức kết hợp (APA, Practitioner Survey infographic 2023, dữ liệu mới nhất hiện có cho phần phân tích này).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Người trưởng thành Mỹ nhận điều trị sức khỏe tâm thần qua y tế từ xa, 2025 | 12,3% (32,6 triệu) | SAMHSA, 2025 NSDUH Annual National Report |
| Người trưởng thành Mỹ nhận điều trị sức khỏe tâm thần qua y tế từ xa, 2024 | 12,8% (33,4 triệu) | SAMHSA, 2024 NSDUH Annual National Report |
| Người trưởng thành mắc bất kỳ bệnh tâm thần nào được điều trị qua y tế từ xa, 2025 | 32,8% (17,9 triệu trong 54,6 triệu) | SAMHSA, 2025 NSDUH Annual National Report |
| Bệnh nhân y tế từ xa (có bảo hiểm thương mại) có chẩn đoán sức khỏe tâm thần, quý 1 năm 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Cùng chỉ số, bệnh nhân 19 đến 30 tuổi so với 65 tuổi trở lên | 69,4% so với 22,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Bệnh nhân y tế từ xa được thanh toán cho dịch vụ trị liệu tâm lý | 35,0% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Bệnh nhân có bảo hiểm thương mại với bất kỳ yêu cầu thanh toán y tế từ xa nào: thành thị so với nông thôn | 18,6% so với 10,3% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Trị liệu tâm lý qua video so với trực tiếp, 12 thử nghiệm ngẫu nhiên (900 người): Hedges g về giảm triệu chứng | -0,09 (KTC 95% -0,52 đến 0,33), không có khác biệt có ý nghĩa | tổng quan hệ thống và phân tích tổng hợp đa cấp của JMIR 2026 |
Bối cảnh: NHIS, một khảo sát liên bang khác, cho thấy 14,0% người trưởng thành Mỹ nhận tư vấn hoặc trị liệu từ chuyên gia sức khỏe tâm thần vào năm 2024, tăng lên 20,2% trong nhóm người trưởng thành 18 đến 29 tuổi (CDC NCHS Data Brief No. 564). Kết quả về trị liệu qua video đến từ phân tích tổng hợp JMIR năm 2026. Với đường dây khủng hoảng thay vì các buổi hẹn theo lịch, hãy xem bài tổng hợp của chúng tôi về lượng cuộc gọi của 988 Suicide and Crisis Lifeline.
7. Quy Định, Đạo Đức và Thái Độ Của Bác Sĩ Lâm Sàng
Nhận diện cảm xúc là một trong số ít ứng dụng AI mà EU đã cấm hẳn trong một số bối cảnh cụ thể. Điều 5(1)(f) của EU AI Act cấm các hệ thống AI suy luận cảm xúc của một thể nhân tại nơi làm việc và trong các cơ sở giáo dục, với ngoại lệ vì lý do y tế hoặc an toàn, và lệnh cấm này có hiệu lực từ ngày 2 tháng 2 năm 2025 (Regulation (EU) 2024/1689). Ngoài các bối cảnh đó, hệ thống nhận diện cảm xúc được xếp loại rủi ro cao, và bất kỳ ai triển khai chúng phải thông báo cho những người tiếp xúc với hệ thống. Các đoạn dẫn nhập của Đạo luật định nghĩa cảm xúc là những trạng thái như hạnh phúc, buồn bã, tức giận, ngạc nhiên và ghê tởm, và loại trừ các trạng thái thể chất như đau hoặc mệt mỏi.
Tại Mỹ, quy định nhắm vào trị liệu bằng AI chứ không phải phát hiện cảm xúc. Illinois ký Wellness and Oversight for Psychological Resources Act vào ngày 4 tháng 8 năm 2025, cấm AI đưa ra quyết định trị liệu trong khi vẫn cho phép hỗ trợ hành chính (thông cáo báo chí của IDFPR Illinois 2025). Các bác sĩ lâm sàng đang áp dụng AI nhanh chóng nhưng có những lo ngại rõ ràng về quyền riêng tư và thiên kiến (APA, 2025 Practitioner Pulse Survey).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngày bắt đầu áp dụng lệnh cấm của EU đối với việc suy luận cảm xúc tại nơi làm việc và trong giáo dục | 2 tháng 2 năm 2025 | Regulation (EU) 2024/1689, Điều 5 và 113 |
| Mức phạt tối đa cho các hành vi AI bị cấm | 35.000.000 EUR hoặc 7% tổng doanh thu hằng năm trên toàn cầu, tùy mức nào cao hơn | Regulation (EU) 2024/1689, Điều 99 |
| Ngày áp dụng chung của AI Act (nhận diện cảm xúc được liệt kê là rủi ro cao tại Phụ lục III) | 2 tháng 8 năm 2026 | Regulation (EU) 2024/1689, Điều 113 và Phụ lục III |
| Mức phạt của Illinois cho mỗi vi phạm được xác nhận của luật về trị liệu bằng AI | Tối đa $10.000 | thông cáo báo chí của IDFPR Illinois, tháng 8 năm 2025 |
| Nhà tâm lý học Mỹ chưa từng dùng AI trong thực hành: 2024 so với 2025 | 71% so với 44% | APA, 2025 Practitioner Pulse Survey |
| Nhà tâm lý học dùng AI ít nhất mỗi tháng một lần: 2024 so với 2025 | 11% so với 29% | APA, 2025 Practitioner Pulse Survey |
| Nhà tâm lý học nêu rò rỉ dữ liệu tiềm ẩn / đầu vào và đầu ra thiên lệch là mối lo ngại về AI, 2025 | 67% / 63% | APA, 2025 Practitioner Pulse Survey |
| Nhà tâm lý học không còn chỗ cho bệnh nhân mới / có danh sách chờ, 2025 | 46% / 40% | APA, 2025 Practitioner Pulse Survey |
Bối cảnh: Đạo luật Illinois được thông qua nhất trí ở cả hai viện. Khảo sát của APA có 1.742 người trả lời trên 26.502 lời mời đã gửi đến, tỷ lệ hoàn thành 6,6%, nên những thay đổi nhỏ giữa các năm cần được đọc thận trọng.
Tổng kết: Nhận Diện Cảm Xúc Giọng Nói và Trị Liệu Từ Xa Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Macro-F1 tám lớp cao nhất trên giọng nói tự nhiên (so với mức cơ sở) | 0,4316 (so với 0,3293) | MSP Lab, bảng xếp hạng Interspeech 2025 SER Challenge |
| CCC trung bình cao nhất cho arousal, valence và dominance | 0,6076 | MSP Lab, bảng xếp hạng Interspeech 2025 SER Challenge |
| UA tốt nhất trên RAVDESS (được diễn) so với MSP-Podcast (tự nhiên) | 75,32% so với 22,24% | EmoBox (Ma et al.), Interspeech 2024 |
| Lượt MSP-Podcast không có sự đồng thuận giữa những người đánh giá về cảm xúc chính | 17,98% trong 267.905 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Mức đồng thuận giữa những người đánh giá về cảm xúc chính (kappa) | 0,411 | Busso et al., The MSP-Podcast Corpus, arXiv 2025 |
| Mẫu trung tính so với mẫu sợ hãi trong dữ liệu huấn luyện của cuộc thi | Trung tính nhiều hơn khoảng 26 lần | Dutta et al., ABHINAYA, arXiv 2025 |
| Người nghe là con người trên âm thanh giọng nói RAVDESS (tỷ lệ đúng) | 0,63 | Livingstone và Russo, PLOS ONE 2018 |
| Phát hiện trầm cảm bằng học sâu: độ nhạy / độ đặc hiệu gộp | 0,83 / 0,86 | Lu et al., BMC Psychiatry 2025 |
| AUC gộp, các mô hình trầm cảm học sâu | 0,91 | Lu et al., BMC Psychiatry 2025 |
| Công cụ giọng nói (nghiên cứu 14.898 người trưởng thành): độ nhạy / độ đặc hiệu | 71,3% / 73,5% | Mazur et al., Annals of Family Medicine 2025 |
| Độ nhạy của công cụ giọng nói: nam so với nữ | 59,3% so với 74,0% | Mazur et al., Annals of Family Medicine 2025 |
| AUC cho lo âu (GAD-7) từ giọng nói, 865 người trưởng thành | 0,77 | Riad et al., Journal of Medical Internet Research 2024 |
| Nghiên cứu giọng nói về sức khỏe tâm thần có xác thực độc lập | 2 trong 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Các lần đánh giá tập dữ liệu được xếp mức sẵn sàng lâm sàng cao | 11% | Muntean-Codrea et al., Life 2026 |
| Người trưởng thành Mỹ được điều trị sức khỏe tâm thần qua y tế từ xa, 2025 | 12,3% (32,6 triệu) | SAMHSA, 2025 NSDUH Annual National Report |
| Người trưởng thành có giai đoạn trầm cảm nặng trong năm qua được điều trị qua y tế từ xa, 2025 | 44,7% (8,8 triệu) | SAMHSA, 2025 NSDUH Annual National Report |
| Bệnh nhân y tế từ xa có chẩn đoán sức khỏe tâm thần, quý 1 năm 2026 | 52,1% | FAIR Health, Quarterly Telehealth Regional Tracker 2026 |
| Lệnh cấm của EU đối với việc suy luận cảm xúc tại nơi làm việc và trong giáo dục có hiệu lực từ | 2 tháng 2 năm 2025 | Regulation (EU) 2024/1689 |
| Nhà tâm lý học dùng AI ít nhất mỗi tháng một lần, 2025 | 29% | APA, 2025 Practitioner Pulse Survey |
Phương pháp luận và Nguồn
- EmoBox: Multilingual Multi-corpus Speech Emotion Recognition Toolkit and Benchmark (Ma et al., Interspeech 2024) và bảng xếp hạng liên tập dữ liệu của nó: độ chính xác trong cùng tập dữ liệu và liên tập dữ liệu.
- ParaLBench: A Large-Scale Benchmark for Computational Paralinguistics over Acoustic Foundation Models (arXiv 2024): kết quả IEMOCAP cho 14 mô hình nền tảng.
- USC SAIL Lab, cơ sở dữ liệu IEMOCAP: quy mô tập dữ liệu.
- MSP Lab, Interspeech 2025 Challenge on Speech Emotion Recognition in Naturalistic Conditions: mức cơ sở và bảng xếp hạng; tóm tắt của ban tổ chức trong Naini et al., Proc. Interspeech 2025.
- Dutta et al., ABHINAYA (arXiv 2505.18217, 2025) và MEDUSA (arXiv 2506.09556, 2025): các bài báo về hệ thống của người tham gia.
- Busso et al., The MSP-Podcast Corpus (arXiv 2509.09791, 2025): quy mô tập dữ liệu, mức đồng thuận giữa những người đánh giá, phân bố nhãn.
- Tavernor và Mower Provost, mô hình hóa người chú thích cho SER liên tập dữ liệu (arXiv 2509.12295, 2025).
- Livingstone và Russo, RAVDESS, PLOS ONE 2018 và bản ghi Zenodo của 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 và 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.
- Phân tích tổng hợp về trị liệu tâm lý qua video so với trực tiếp, Journal of Medical Internet Research 2026.
- APA, 2025 Practitioner Pulse Survey và infographic của APA về địa điểm y tế từ xa 2020 đến 2023.
- Regulation (EU) 2024/1689 (EU AI Act), văn bản Công báo: Điều 3(39), Điều 5(1)(f), Điều 50(3), Điều 99(3), Điều 113, Phụ lục III điểm 1(c), đoạn dẫn nhập 18.
- Thông cáo báo chí của IDFPR Illinois về HB1806, ngày 4 tháng 8 năm 2025.
- Lưu ý về dữ liệu: điểm benchmark không thể so sánh giữa các tập dữ liệu vì bộ nhãn, mức cân bằng lớp và chỉ số khác nhau (UA, WA, macro-F1 và CCC đo những thứ khác nhau). Phần tóm tắt của ABHINAYA báo cáo vị trí thứ 4 trong 166 bài nộp; điểm 44,02% của nó do ban tổ chức tính sau hạn chót và không phải xếp hạng chính thức. Bài báo MSP-Podcast nêu cảm xúc trung tính chiếm khoảng 28% số lượt nói trong phần văn bản, trong khi số liệu trong bảng (79.117 trong 267.905) cho ra 29,53%, và nêu 409 giờ trong văn bản so với 407 giờ trong một bảng; các tỷ lệ phần trăm được đánh dấu ‘tính toán của chúng tôi’ được tính từ số liệu trong bảng. Nghiên cứu về công cụ giọng nói phát hiện trầm cảm được tài trợ qua các khoản tài trợ cho nhà phát triển, với ba nhân viên công ty là tác giả. Dữ liệu của Riad et al. là từ năm 2024 và các đánh giá của con người trên RAVDESS là từ năm 2018, là dữ liệu mới nhất hiện có cho các phép đo đó. NSDUH (bất kỳ điều trị nào, tự báo cáo) và NHIS (tư vấn hoặc trị liệu từ chuyên gia) đo những thứ khác nhau, nên không nên so sánh trực tiếp tỷ lệ phần trăm của chúng. FAIR Health chỉ bao gồm bệnh nhân có bảo hiểm thương mại và đã thay công cụ theo dõi hằng tháng bằng công cụ theo dõi hằng quý vào năm 2026, nên các số liệu hằng tháng cũ không thể so sánh trực tiếp. Các khảo sát của APA có tỷ lệ hoàn thành thấp (6,6% năm 2025). Các mốc thời gian của EU AI Act được trích từ văn bản Công báo của Regulation (EU) 2024/1689; mọi sửa đổi sau này đối với lộ trình của nó cần được kiểm tra so với phiên bản hợp nhất hiện hành.
Cập nhật lần cuối: ngày 25 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hằng quý, và lần cập nhật tiếp theo dự kiến diễn ra khi FAIR Health công bố Quarterly Telehealth Regional Tracker tiếp theo và MSP Lab đăng kết quả của cuộc thi nhận diện cảm xúc giọng nói tiếp theo.