Nhận dạng cảm xúc lời nói là công nghệ ước tính trạng thái cảm xúc của người nói dựa trên tần số, ngữ điệu và tốc độ của giọng nói.
Nhận dạng cảm xúc lời nói (SER) là công nghệ phân tích các đặc điểm âm thanh như cao độ giọng nói, ngữ điệu, tốc độ nói và sự thay đổi âm lượng để ước tính trạng thái cảm xúc của người nói, chẳng hạn như tức giận, vui vẻ, lo lắng và bình tĩnh. Nó được cho là được sử dụng rộng rãi để hỗ trợ nhà điều hành trung tâm cuộc gọi, phát hiện khiếu nại và điều chỉnh âm phản hồi cho AI đàm thoại. Trong hoạt động thực tế kể từ năm 2026, vấn đề trong lĩnh vực này là độ chính xác có xu hướng giảm ở các phương ngữ, giọng nói nhanh và giọng nói ồn ào, đồng thời các lỗi chuyển đổi văn bản (nhận dạng giọng nói) cũng có thể dẫn đến ước tính cảm xúc, do đó, thiết kế tiêu chuẩn là cải thiện độ chính xác của bản ghi trước rồi mới thêm lớp cảm xúc. Về mặt chi phí, xu hướng chủ đạo là kết hợp API có mục đích chung và mức giá trung bình là trả theo mức sử dụng dựa trên thời gian/phút gọi. Khi thực hiện lựa chọn, điều thực tế là phải kiểm tra `` mức độ chi tiết của nhãn cảm xúc (nhị phân hoặc đa lớp) '' và '' sự hiện diện của dữ liệu huấn luyện với lời nói tiếng Nhật '' trước khi đưa ra quyết định giới thiệu một nhãn.