语音情感识别（Speech Emotion Recognition，SER）是让机器从说话声音的声学特征推断说话人当下情绪的技术。它关心的是“怎么说”，而非“说了什么”。
情绪藏在声音的“音乐性”里
同样一句“我没事”，平静说出来是没事，声音发紧、语速变慢、尾音下沉，多半是有事。人耳几乎瞬间就能捕捉这种差别，靠的是副语言（paralanguage）信息，主要内容包括：
- 音高：即基频（fundamental frequency，F0），由声带振动快慢决定。兴奋、愤怒时往往升高，低落、疲惫时下降。
- 能量：即响度。喊叫和争吵的能量明显高于低声倾诉。
- 语速与停顿：激动时语速快、停顿少；犹豫、悲伤时语速慢、停顿多。
- 音质与频谱：气声、紧绷感、颤抖，以及频谱包络的分布，都携带情绪线索。
一个生活化的比方：你在国外餐厅，听不懂邻桌在说什么，但一听语气就知道那桌在吵架；或者隔着门听家人打电话，一个字没听清，也能感觉出对方在发火。SER 就是把这种“听语气”的能力交给机器。
工程上通常这样处理：采集音频并分帧，提取音高、能量、语速等统计特征，或直接计算梅尔频谱（Mel spectrogram），再输入机器学习模型，输出两类结果之一：离散情绪标签（愤怒、高兴、悲伤、中性、恐惧等），或连续维度（唤醒度 arousal 表示激动程度，效价 valence 表示正负倾向）。
与相邻概念的区别
| 任务 | 关注对象 | 回答的问题 |
|---|---|---|
| 自动语音识别（Automatic Speech Recognition，ASR） | 语音内容 | 说了哪些字 |
| 文本情感分析 | 字面语义 | 这句话是褒是贬 |
| 说话人识别 | 身份特征 | 这是谁在说 |
| 语音情感识别 | 韵律与音质 | 说的人现在什么情绪 |
关键差别在于：文本情感分析看“我没事”三个字，可能判为中性；SER 听的是颤抖的嗓音和拖长的停顿，可能判为悲伤。也因此它不该单独使用：字面与语气常常矛盾，实践中多与文本、面部表情做多模态（multimodal）融合。
对从业者和普通人的意义
常见用途包括客服质检（找出客户情绪激动的通话，让主管及时介入）、车载监测路怒与疲劳、心理健康辅助筛查、在线教育判断学生是否困惑。但要注意几个现实约束：情绪标签靠人工标注，标注者之间一致性有限；跨语种、跨麦克风、跨信道迁移困难；表演出来的情绪和真实情绪并不相同。因此产品设计上应当“低置信度时保守”，只做提示、不做判决，并明确告知录音分析及征得同意；声音本身也是生物特征，隐私问题绕不开。具体产品能力以厂商官方页面为准。
对普通人来说，这项技术最大的启发很朴素：下次听到“我很好”但声音在抖，你就知道该信哪一层信号了。