Artículo

Carlos Eduardo Frantz Manchini; Thiago Gentil Ramires

DOI: 10.22167/2675-6528-2026M15

Artículo elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción

Resumen

El reconocimiento automático de emociones en la voz ha demostrado ser esencial para aplicaciones en el área de la salud, permitiendo la identificación de estados emocionales sin supervisión humana continua. Este trabajo tuvo como objetivo comparar modelos tradicionales de machine learning con una solución de Inteligencia Artificial Generativa, Hume AI, en la tarea de inferir emociones provenientes de la base de audios RAVDESS. Para el enfoque convencional, se extrajeron características acústicas de 1440 audios para entrenar clasificadores como SVM y XGBoost. En el enfoque generativo, los mismos audios fueron procesados por la API Expression Measurement-Prosody de Hume AI. Como principales resultados, se observó que la solución generativa identificó con facilidad emociones de alta intensidad, como la ira, pero confundió categorías más sutiles. En contrapartida, los modelos tradicionales, aunque demandaban un mayor preprocesamiento, alcanzaron un rendimiento superior y más equilibrado entre todas las clases evaluadas, con el clasificador Support Vector Machine alcanzando un 61,8% de acurácia en la base de prueba, mientras que la API Hume obtuvo un 29% de acurácia global y 0,26 de F1-Macro. Se concluyó que los modelos supervisados permanecen más precisos y robustos para capturar el espectro emocional y clasificar emociones en audio, evidenciando un trade-off entre la simplicidad de las soluciones “listas para usar” y la precisión necesaria para un análisis emocional detallado.

Palabras clave: Aprendizaje supervisado; Clasificación de audio; Prosodia; Reconocimiento de emociones.

1. Introducción

Los avances recientes en Data Science e Inteligencia Artificial (IA) han transformado el enfoque de problemas complejos, especialmente en el análisis e interpretación de datos no estructurados. Estos datos, que abarcan textos, imágenes y audios, constituyen la mayor parte de la información generada actualmente, con el ochenta por ciento de los nuevos datos empresariales siendo no estructurados (Gartner, 2020). La extracción de insights de este volumen es fundamental para la competitividad, viabilizada por aprendizaje automático y profundo (Goodfellow et al., 2016).

La aplicación de estas innovaciones, especialmente la Inteligencia Artificial Generativa (GenAI) y los modelos de lenguaje a gran escala (LLMs), ha generado beneficios en diversas áreas. En salud, los modelos generativos ayudan en el diagnóstico y tratamiento (Topol, 2019), con una precisión superior al noventa y nueve por ciento en cáncer (Sheakh et al., 2024). En seguridad, la IA mejora el reconocimiento facial y la detección de fraudes (Li et al., 2020). En educación, la GenAI crea asistentes virtuales y materiales adaptativos (Luckin et al., 2016).

En el procesamiento de audio, la IA se ha empleado en asistentes de voz y traducción automática, permitiendo interacciones más naturales entre humanos y máquinas (Tan et al., 2021). En este contexto, el reconocimiento automático de emociones en audio (SER – Speech Emotion Recognition) es un área crucial, aunque desafiante debido a la complejidad de los datos y de las emociones humanas. Akçay y Oğuz (2020) indican que el SER se basa en patrones acústicos distintos, como variaciones en la entonación, ritmo, intensidad y calidad vocal, modelados por aprendizaje automático. Con el avance de modelos de GenAI basados en redes neuronales profundas, se están explorando soluciones más sofisticadas para procesar e interpretar señales de audio (Purwins et al., 2019).

Este estudio se centra en la comparación entre métodos tradicionales de Machine Learning y modelos generativos de IA para la identificación de emociones en audio. Inicialmente, se consideró el uso del conjunto de datos CORAA – Corpus of Annotated Audios (Alvim et al., 2022), con grabaciones en portugués. Sin embargo, el CORAA presentó limitaciones significativas, como la ausencia de etiquetas detalladas y la falta de diversidad de muestras emocionales.

Debido a estas limitaciones, se optó por el conjunto de datos RAVDESS – Ryerson Audio-Visual Database of Emotional Speech and Song (Livingstone y Russo, 2018), ampliamente utilizado en investigaciones de detección de emociones. Esta elección permitió un análisis comparativo detallado entre enfoques tradicionales (extracción de características acústicas) y modelos generativos (procesamiento directo de las grabaciones). Aunque los modelos de aprendizaje profundo (fundamento de la GenAI) superan las técnicas convencionales en SER (Khare et al., 2024), persisten desafíos como la interpretabilidad y la necesidad de grandes volúmenes de datos (Latif et al., 2020). Este escenario justifica la investigación de las ventajas y desventajas de los modelos generativos, considerando precisión, robustez, eficiencia computacional y generalización.

La motivación para esta investigación proviene del creciente uso de modelos generativos en el procesamiento del lenguaje natural y el reconocimiento automático del habla, por su capacidad para identificar emociones a través del audio. Estos avances ofrecen oportunidades prácticas, como la mejora de interfaces conversacionales, la creación de herramientas de apoyo emocional y el diagnóstico clínico temprano, particularmente en la salud mental. Cambios sutiles en el tono de voz pueden indicar tempranamente síntomas como estrés o ansiedad, posibilitando intervenciones preventivas (Cummins et al., 2015). En servicios de atención al cliente, la detección emocional en tiempo real optimiza las interacciones (Poria et al., 2019).

Este estudio busca contribuir a la literatura académica al proporcionar un análisis comparativo riguroso entre métodos tradicionales y modelos generativos en la detección de emociones en audio. Los resultados pueden servir como referencia práctica para investigadores y profesionales, impulsando el reconocimiento emocional por IA. Así, el objetivo de este trabajo es comparar modelos tradicionales de aprendizaje automático con una solución de Inteligencia Artificial Generativa, Hume AI, en la tarea de inferir emociones a partir de la base de audios RAVDESS.

2. Material y Métodos

Este estudio se caracterizó como una investigación experimental aplicada, con enfoque cuantitativo, que evaluó comparativamente el desempeño de dos enfoques distintos en el reconocimiento de emociones en audio. El primer enfoque empleó técnicas tradicionales de Machine Learning, basadas en ingeniería de atributos. El segundo, más reciente, utilizó una solución de Inteligencia Artificial Generativa, fundamentada en modelos de procesamiento de lenguaje natural.

Para la conducción de la investigación, inicialmente se consideró el uso del conjunto de datos CORAA – Corpus of Annotated Audios (Alvim et al., 2022), que contiene grabaciones en portugués brasileño. Sin embargo, debido a limitaciones como la ausencia de etiquetas detalladas y la falta de diversidad de muestras emocionales, se optó por el conjunto de datos RAVDESS – Ryerson Audio-Visual Database of Emotional Speech and Song (Livingstone y Russo, 2018). Este corpus, ampliamente adoptado en investigaciones de detección de emociones, posee 1440 audios de 24 personas, con 60 variaciones de habla y canto, categorizados en ocho emociones: ira, calma, asco, miedo, felicidad, neutro, tristeza y sorpresa.

Se realizó un preprocesamiento en todos los audios para garantizar la consistencia del análisis comparativo y la calidad de los datos. Los pasos incluyeron reducción de ruidos, estandarización de las señales sonoras y ajuste en las variaciones de volumen, con el objetivo de uniformizar los datos. Según Cowie et al. (2001), el habla humana contiene información prosódica, como tono, intensidad y ritmo, que son esenciales para inferir emociones, justificando la limpieza de los audios para optimizar la detección de patrones relevantes.

En el enfoque tradicional, la extracción de características para entrenar los algoritmos de Machine Learning y clasificación siguió las prácticas descritas por Akçay y Oğuz (2020). Las principales características acústicas extraídas incluyeron Coeficientes Cepstrales de Frecuencia Mel (MFCCs), que representan la estructura espectral; Chroma Features, para la entonación y resonancia de la voz; Zero-Crossing Rate (ZCR), que captura cambios de señal; y patrones de intensidad, como energía RMS y frecuencias fundamentales (pitch F0). Adicionalmente, se incorporaron medidas como Spectral Contrast, descriptores espectrales (Centroide, Ancho de Banda y Roll-off) y variaciones temporales de los coeficientes MFCC (delta MFCCs).

Con las características extraídas, se probaron diferentes algoritmos de aprendizaje supervisado para la clasificación de emociones, incluyendo Random Forest, Support Vector Machines (SVM) y Redes Neuronales Artificiales (Multi-Layer Perceptron – MLP), siguiendo la metodología de Schuller et al. (2011). La selección del mejor modelo se basó en métricas de rendimiento y se empleó validación cruzada estratificada k-fold para asegurar la robustez de los resultados. La base de datos RAVDESS se dividió estratificadamente en conjuntos de entrenamiento (70%) y prueba (30%).

Para la selección de atributos, se buscó mantener las características más relevantes y evitar problemas de multicolinealidad. Un análisis de correlación de Pearson indicó una fuerte correlación entre las variables Chroma, que fueron sustituidas por tres componentes principales vía PCA, preservando el 88% de la variabilidad explicada. Se identificó redundancia entre otras características, y la selección final se basó en la importancia explicativa por XGBoost, buscando un modelo parsimonioso.

En el enfoque generativo, inicialmente se consideró el sistema de reconocimiento automático de voz Whisper (OpenAI, 2022). Sin embargo, esta herramienta fue descartada por limitarse a la transcripción textual, no contemplando intensidades y detalles acústicos cruciales para el análisis emocional. Se adoptó, entonces, el modelo de Hume AI (2025), que procesó e infirió emociones directamente a partir de las grabaciones. Esta solución utiliza modelos propietarios de deep learning, entrenados en grandes volúmenes de datos multimodales, sin la necesidad de extracción manual de características.

Para el procesamiento de los 1440 audios por la API Hume Expression Measurement – Prosody, los archivos se dividieron en 15 lotes, respetando las limitaciones de envío del servicio en la nube. La API devolvió puntuaciones asociadas a diferentes categorías emocionales, permitiendo evaluar la probabilidad relativa de cada estado afectivo. Para posibilitar la comparación con el RAVDESS, que posee ocho categorías emocionales, se realizó un mapeo ontológico de las etiquetas de Hume AI a las clases del RAVDESS, definiendo las correspondencias: boredom para neutro, amusement para felicidad y excitement para sorpresa.

La implementación de los experimentos se realizó utilizando el lenguaje Python, con la ayuda de bibliotecas especializadas. La biblioteca Librosa se empleó para la extracción de características acústicas, pydub para la manipulación y conversión de archivos de audio, y Scikit-learn para los algoritmos de clasificación, evaluación y cálculo de las métricas. Para la evaluación del enfoque generativo, se utilizó la API Hume Expression Measurement, accedida a través de llamadas HTTP integradas en Python. Las métricas de rendimiento, como precisión, exactitud, exhaustividad y F1-score, se calcularon con el soporte de la biblioteca scikit-learn. Las visualizaciones, como matrices de confusión, se generaron con Matplotlib y Seaborn. Para el fundamento estadístico, se aplicaron pruebas de significancia entre modelos, como Wilcoxon/Mann-Whitney o Friedman.

3. Resultados y Discusión

La etapa inicial del estudio se centró en la definición y selección de la base de datos más adecuada para el análisis comparativo del reconocimiento de emociones en audio. Inicialmente, se consideró el uso del corpus CORAA, que contiene grabaciones en portugués brasileño. Sin embargo, el CORAA presentó limitaciones significativas, como la ausencia de etiquetas detalladas para las emociones, una variedad restringida de categorías emocionales (neutras, no-neutras masculinas y no-neutras femeninas) y la falta de una plantilla concreta para la medición cuantitativa de la asertividad de las clasificaciones. Estas deficiencias imposibilitaron un análisis comparativo robusto y refinado entre las diferentes emociones, lo que llevó a la elección de la base de datos RAVDESS.

El conjunto de datos RAVDESS – Ryerson Audio-Visual Database of Emotional Speech and Song (Livingstone y Russo, 2018) fue seleccionado por ofrecer un corpus más rico y balanceado, con ocho emociones categorizadas y una plantilla experta. Las emociones incluidas son ira (angry), calma (calm), asco (disgust), miedo (fearful), felicidad (happy), neutral (neutral), tristeza (sad) y sorpresa (surprised). La base está compuesta por 1440 audios, grabados por 24 individuos, con 60 variaciones que abarcan narrativa, intensidad, emoción y repetición. Esta elección permitió una evaluación más precisa y consistente de los enfoques tradicionales de machine learning y de la solución de Inteligencia Artificial Generativa.

El análisis exploratorio de los datos fue fundamental para comprender el comportamiento de las características acústicas e identificar aquellas con mayor capacidad discriminatoria entre las emociones. Las primeras visualizaciones gráficas, utilizando coeficientes Cepstrales de Frecuencia Mel (MFCC) y espectrogramas Log-Mel, revelaron diferencias significativas, especialmente entre las emociones más extremas, como tristeza y rabia. Se observó que, para la emoción de rabia, las frecuencias eran más acentuadas y dispersas en comparación con la tristeza, indicando patrones acústicos distintos que podrían ser explorados por los modelos de clasificación.

Para enriquecer el conjunto de características (features) candidatas y captar información acústica adicional, se incluyeron diversas medidas. Entre ellas, destacan la energía RMS (Root Mean Square Energy), que cuantifica la intensidad del sonido en decibelios, y el Spectral Contrast, que mide la diferencia de energía entre frecuencias. También se incorporaron el Zero Crossing Rate (ZCR), que indica la tasa de cambio de señal, y descriptores espectrales como Centroide, Ancho de Banda y Roll-off. Características relacionadas con el pitch fundamental (F0), como su media y varianza, fueron calculadas para capturar la entonación y melodía del habla. Por último, se añadieron variaciones temporales de los coeficientes MFCC, los delta MFCC, para registrar cambios en la intensidad y timbre de la voz a lo largo del tiempo, según las prácticas descritas por Akçay y Oğuz (2020).

La etapa de selección de características fue crucial para mantener solo las variables más relevantes para la clasificación de las emociones y mitigar problemas de multicolinealidad. El análisis de correlación de Pearson reveló que las variables Chroma presentaban una fuerte correlación entre sí, lo cual era esperado debido al carácter cíclico de las notas musicales. Para resolver esta redundancia, las 12 características Chroma originales fueron sustituidas por tres componentes principales (PCA), preservando el 88% de la variabilidad explicada. Además, se identificó una fuerte redundancia entre otros pares de características, con una correlación absoluta superior a 0,8 y una correlación positiva superior a 0,9 para dos pares específicos. En estos casos, se optó por mantener dos de las cuatro variables más importantes, basándose en la relevancia explicativa por XGBoost, a fin de obtener un modelo más parsimonioso.

La comparación entre el modelo completo y el modelo reducido de características, utilizando el algoritmo XGBoost, demostró la eficacia de la selección. El modelo completo, con 81 características, alcanzó una precisión de 0,660 y un F1-Macro de 0,648. En contraste, el modelo reducido, con solo 23 características (una reducción del 71,6%), obtuvo una precisión de 0,657 y un F1-Macro de 0,635. La diferencia de solo 0,013 en el F1-Macro, equivalente a aproximadamente 2%, indica que el enfoque de selección de características basado en la importancia del XGBoost permitió construir un modelo más parsimonioso y computacionalmente eficiente, sin comprometer significativamente la capacidad de reconocimiento emocional. Esta evidencia respaldó la decisión de proceder con el enfoque compacto para la modelización de los datos.

El modelado estadístico se realizó con tres algoritmos de aprendizaje supervisado clásicos: Support Vector Machines (SVM), XGBoost y Random Forest. La base de datos RAVDESS se dividió de forma estratificada en conjuntos de entrenamiento y prueba, utilizando el 70% y el 30% de los datos, respectivamente. Las métricas de rendimiento evaluadas fueron precisión y F1-Macro, siendo esta última elegida por su robustez en problemas multiclase y potencialmente desequilibrados, garantizando una evaluación más equilibrada entre las categorías emocionales. Los resultados apuntaron a un rendimiento moderado general de los modelos, con destaque para el SVM.

Los resultados detallados de los modelos de Machine Learning revelaron que el SVM obtuvo una precisión de entrenamiento de 0,852 y una precisión de prueba de 0,618, con F1-Macro de entrenamiento de 0,848 y F1-Macro de prueba de 0,607. El XGBoost presentó una precisión de entrenamiento de 0,910 y una precisión de prueba de 0,567, con F1-Macro de entrenamiento de 0,911 y F1-Macro de prueba de 0,545. Por su parte, el Random Forest tuvo una precisión de entrenamiento de 0,851 y una precisión de prueba de 0,458, con F1-Macro de entrenamiento de 0,851 y F1-Macro de prueba de 0,443. Se observó un mayor sobreajuste en los modelos Random Forest y XGBoost, lo que indica la necesidad de ajustes adicionales en los hiperparámetros para mejorar el rendimiento. La superioridad del SVM fue evidente, principalmente por su estabilidad y capacidad de generalización predictiva en la base de prueba.

El análisis de la matriz de confusión para el modelo SVM reveló la asertividad de la clasificación predicha de las emociones en relación con las emociones reales. La mayor parte de los valores se concentró en la diagonal principal, indicando un buen número de verdaderos positivos para cada clase. Sin embargo, el modelo demostró dificultad para distinguir emociones que comparten características sonoras similares. Emociones de alta intensidad, como calma y sorpresa, fueron reconocidas con mayor facilidad. Por otro lado, sentimientos con intensidades más cercanas, como neutro, calmado y tristeza, presentaron superposición y generaron intercambios frecuentes en las clasificaciones, evidenciando la complejidad de la diferenciación de matices emocionales sutiles por medio de descriptores acústicos.

En el ámbito de la pipeline generativa, se incorporó la API Hume Expression Measurement para procesar los 1440 audios. Para posibilitar el envío y procesamiento en el servicio en la nube, los audios se dividieron en 15 lotes, respetando las limitaciones de envío impuestas por la API. Inicialmente, se consideró el uso del sistema Whisper (OpenAI, 2022) para reconocimiento automático de voz, pero se descartó por limitarse a la transcripción textual y no considerar intensidades y detalles acústicos esenciales para el análisis emocional. La estrategia de transcribir el audio y procesar el texto con un Large Language Model (LLM) se consideró inadecuada, ya que podría sacrificar matices prosódicos y afectivos, que son cruciales para la detección de emociones. De esta manera, se adoptó la solución de Hume AI (2025), la cual utiliza modelos propietarios de deep learning entrenados en grandes volúmenes de datos multimodales para detectar estados emocionales directamente de las grabaciones, sin necesidad de extracción manual de características. La API devuelve scores asociados a diferentes categorías emocionales, permitiendo evaluar la probabilidad relativa de cada estado afectivo.

Un aspecto crucial para la comparación entre los enfoques fue la diferencia en las taxonomías emocionales utilizadas. Mientras que el corpus RAVDESS categoriza las emociones en ocho etiquetas bien definidas, la API de Hume devuelve predicciones en un conjunto distinto de etiquetas, incluyendo términos como *boredom*, *amusement* y *excitement*. Para permitir una evaluación cuantitativa justa, fue necesario construir un mapeo ontológico, aproximando semánticamente las etiquetas de Hume a las clases de RAVDESS. Las correspondencias establecidas fueron: *boredom* a neutro, *amusement* a felicidad y *excitement* a sorpresa. Esta armonización fue esencial para posibilitar la comparación directa del rendimiento de Hume con el conjunto de referencia.

Tras la aplicación del mapeo de categorías, se observó una mejora parcial en los resultados de Hume AI. Emociones de mayor intensidad, como la ira, presentaron un desempeño expresivo, con un F1-score de 0,65. Sin embargo, clases más sutiles, como miedo y asco, obtuvieron valores de F1 cercanos a cero. Esto indica que parte de la baja precisión inicial de Hume se debió al desalineamiento entre categorías, pero también que, incluso después de la armonización, el modelo generativo aún tiene limitaciones para captar matices emocionales más discretos. La matriz de confusión de Hume AI evidenció una tendencia a concentrar predicciones en clases más neutras y una mayor dificultad para identificar correctamente emociones menos intensas, como miedo y asco, que fueron ampliamente confundidas con otras categorías, incluyendo estados más cercanos como tranquilo y neutro.

Comparativamente, los modelos supervisados (SVM, XGBoost y Random Forest), según los resultados presentados, alcanzaron una precisión media del 55% y un F1-Macro de 0,53 en la base de prueba. Estos valores indican una capacidad razonable en el reconocimiento de las emociones en audio. En contrapartida, los experimentos con la API Hume resultaron en una precisión global de solo el 29% y un F1-Macro de 0,26, incluso después del mapeo ontológico de las categorías. Estos datos confirman la inferioridad de la solución generativa cuando se aplica directamente al corpus de referencia, evidenciando que la API Hume clasificó correctamente poco más de una de cada cinco muestras, mientras que los enfoques tradicionales basados en descriptores acústicos alcanzaron entre la mitad y dos tercios de predicciones correctas.

Aunque los clasificadores supervisados demandaron mayor esfuerzo en la preparación de los datos, selección de características y ajuste de hiperparámetros, obtuvieron métricas superiores para capturar la diversidad de emociones. Estos resultados refuerzan que soluciones “listas para usar”, como Hume AI, pueden ser una alternativa rápida cuando el interés se restringe a emociones intensas, pero no sustituyen la consistencia y la precisión de modelos ajustados para capturar un espectro emocional más detallado. Adicionalmente, el uso de la API Hume implicó un costo financiero de aproximadamente US$ 3,60 para el procesamiento completo de los 1440 audios, un factor relevante a ser considerado en la escalabilidad de la solución.

En resumen, la investigación demostró que, si bien las soluciones de Inteligencia Artificial Generativa como Hume AI ofrecen simplicidad y rapidez en el procesamiento, los modelos tradicionales de machine learning, especialmente el SVM, presentaron un rendimiento superior y más equilibrado en la clasificación de un espectro más amplio de emociones en audio. La capacidad de generalización y la precisión de los modelos supervisados, incluso con la necesidad de preprocesamiento e ingeniería de características, los hacen más robustos para aplicaciones que demandan un análisis emocional detallado y confiable, mientras que Hume AI se mostró más eficaz para emociones de alta intensidad, pero limitada para matices sutiles.

4. Conclusión

Este estudio tuvo como objetivo comparar modelos tradicionales de aprendizaje automático con una solución de Inteligencia Artificial Generativa, Hume AI, en la tarea de inferir emociones a partir de la base de audios RAVDESS. Se verificó que los modelos supervisados, como el Support Vector Machine (SVM), presentaron un rendimiento superior y más equilibrado en la clasificación de un espectro amplio de emociones, alcanzando un 61,8% de acurácia en la base de prueba. Aunque demandaban mayor esfuerzo en preprocesamiento e ingeniería de características, estos modelos demostraron mayor robustez y capacidad de generalización. En contrapartida, la solución generativa de Hume AI, a pesar de ofrecer simplicidad y rapidez, obtuvo una acurácia global de solo 29% y un F1-Macro de 0,26, evidenciando su limitación en capturar matices emocionales sutiles, incluso después del mapeo ontológico de las categorías. La principal contribución de este trabajo reside en el análisis comparativo riguroso, que proporciona una referencia práctica para investigadores y profesionales en la elección de enfoques más eficaces para el reconocimiento emocional en audio, impulsando avances en aplicaciones como el diagnóstico clínico precoz en salud mental.

La investigación reveló una compensación significativa entre la simplicidad de las soluciones “listas para usar” y la precisión necesaria para un análisis emocional detallado. Se observó que Hume AI resultó más eficaz para emociones de alta intensidad, como la ira, pero falló en distinguir categorías más discretas, como el miedo y el asco. Los modelos tradicionales, por su parte, presentaron mayor estabilidad y capacidad predictiva. Como limitaciones, se identificó la necesidad de ajustes adicionales en los hiperparámetros de los modelos Random Forest y XGBoost para mitigar el sobreajuste. Para estudios futuros, se sugiere la investigación de enfoques híbridos que combinen la agilidad de los modelos generativos con la robustez de los clasificadores supervisados, explorando el uso de embeddings proporcionados por IA para entrenar modelos ajustados localmente. Adicionalmente, se recomienda el ajuste fino de soluciones generativas y la exploración de bases de datos de audios brasileños más heterogéneas para evaluar la capacidad de generalización en escenarios reales.

Referencias Bibliográficas

Akçay, M.B.; Oğuz, K. 2020. Speech emotion recognition: emotional models, databases, features, preprocessing methods, supporting modalities, and classifiers. Speech Communication 116: 56-76.

Alvim, G.; Magalhães, L.L.C.; Bigal, R.L.M.; Medeiros, H.F.G.; Souza, S.R.M.; Silva, C.F.M.; Oliveira, E.P.L.; Pardo, S.R.C. 2022. CORAA: a large corpus of spontaneous and prepared speech manually validated for speech recognition in Brazilian Portuguese. In: International Conference on Language Resources and Evaluation, 2022, Marseille, França. Anais… p. 5908-5915.

Cowie, R.; Douglas-Cowie, E.; Tsapatsoulis, N.; Votsis, G.; Kollias, S.; Fellenz, W.; Taylor, J.G. 2001. Emotion recognition in human-computer interaction. IEEE Signal Processing Magazine 18(1): 32-80.

Cummins, N.; Scherer, S.; Krajewski, J.; Schnieder, S.; Epps, J.; Quatieri, T.F. 2015. A review of depression and suicide risk assessment using speech analysis. Speech Communication 71: 10-49.

Gartner [GARTNER]. 2020. Market guide for text analytics. Disponível em: . Acesso em: 24 mar. 2025.

Goodfellow, I.; Bengio, Y.; Courville, A. 2016. Deep Learning. The MIT Press, Cambridge, MA, EUA.

Hume Al. 2025. Expression Measurement Prosody. Disponível em: . Acesso em: 25 set. 2025.

Khare, S.K.; Blanes-Vidal, V.; Nadimi, E.S.; Acharya, U.R. 2024. Emotion recognition and artificial intelligence: a systematic review (2014–2023) and research recommendations. Information Fusion 102: 102019.

Latif, S.; Rana, R.; Qadir, J.; Epps, J.; Schuller, B.W. 2020. Deep representation learning in speech processing: challenges, recent advances, and future trends. Computer Speech & Language 68: 101-178.

Li, Y.; Schuckert, M.; Law, R.; Wang, J. 2020. The impact of artificial intelligence on security and privacy in smart cities. Journal of Urban Technology 27(2): 65-85.

Livingstone, S.R.; Russo, F.A. 2018. The ryerson audio-visual database of emotional speech and song (RAVDESS). PLoS ONE 13(5): e0196391.

Luckin, R.; Holmes, W. 2016. Intelligence Unleashed: An Argument for Al in Education. Pearson, London, UK.

OpenAl. 2022. Whisper: robust speech recognition via large-scale audio training. Disponível em: . Acesso em: 29 mar. 2025.

Poria, S.; Majumder, N.; Mihalcea, R.; Hovy, E. 2019. Emotion recognition in conversation: research challenges, datasets, and recent advances. IEEE Access 7: 100943-100953.

Purwins, H.; Li, B.; Virtanen, T.; Schlüter, J.; Chang, S.Y.; Sainath, T. 2019. Deep learning for audio signal processing. IEEE Journal of Selected Topics in Signal Processing 13(2): 206-219.

Schuller, B.; Batliner, A.; Steidl, S.; Seppi, D. 2011. Recognizing realistic emotions and affect in speech: state of the art and lessons learnt from the first challenge. Speech Communication 53(9-10): 1062-1087.

Sheakh, M.A.; Azam, S.; Tahosin, M.S.; Karim, A.; Montaha, S.; Fahim, K.U.; De Boer, F. 2024. ECgMLP: a novel gated MLP model for enhanced endometrial cancer diagnosis. Computer Methods and Programs in Biomedicine Update 5: 100181.

Tan, X.; Qin, T.; Soong, F.; Liu, T.-Y. 2021. A survey on neural speech synthesis. Disponível em: . Acesso em: 27 set. 2025.

Topol, E. 2019. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, New York, NY, EUA.

Artículo procedente del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq

_{Más información sobre el curso; haga clic aquí:}