В 2026 году эмоциональный ИИ достиг высокой точности в мультимодальном распознавании (речь + мимика + язык тела), но «высокая точность» имеет чёткие границы применимости: в контролируемых лабораторных условиях или при объединении нескольких модальностей точность может достигать 96%–98%, однако при использовании одной модальности или в реальных условиях точность значительно снижается; для тонкой классификации эмоций (например, 13 категорий) возможности современных больших моделей всё ещё ограничены.
Объединение речи и текста также показывает высокие результаты: гибридная система, объединяющая акустические признаки и анализ тональности текста, достигла 98% точности на сбалансированном тестовом наборе из 5 категорий (250 парных образцов речь-текст), что на 21 процентный пункт выше, чем при использовании только речи .
Распознавание языка тела и позы пока имеет меньше публичных данных, но российские исследователи из Высшей школы экономики совместно со Сбером разработали мультимодальную модель, которая анализирует видео, голос, содержание речи, а также описания мимики, взгляда, позы и жестов, одновременно распознавая эмоции, оценивая черты личности и выявляя противоречивое поведение; при многозадачном обучении точность распознавания эмоций на незнакомых данных улучшилась на 13,7% .
Тонкая классификация эмоций остаётся слабым местом больших моделей. В ходе тестирования в апреле 2026 года три ведущие коммерческие модели — Claude, ChatGPT (GPT-5.4) и Gemini — показали точность в задаче классификации 13 тонких эмоций без дообучения (zero-shot) лишь 38,0%–39,9%. Все модели хорошо справляются с сарказмом и желанием, но стабильно ошибаются при распознавании «любви», «замешательства» и «стыда» . Это показывает, что для базовых эмоций (радость, гнев, печаль, страх) ИИ уже достаточно силён, но для сложных, смешанных или социально замаскированных эмоциональных состояний всё ещё требуется специальная настройка.
Распознавание микро-выражений является отдельной сложной задачей. Микро-выражения длятся всего 40–500 миллисекунд и являются наиболее трудно поддающимися сознательному контролю сигналами истинных эмоций. Метод, опубликованный в IEEE в 2026 году, достиг 87,4% UAR на чистом наборе данных CASME II, но в условиях освещения, движения камеры и сжатия видео этот показатель снижается до 82,8% . Другой облегчённый метод для мобильных устройств достиг лишь 0,809 UAR в трёхклассовой задаче (позитивные, негативные, удивление) .
Ключевые данные: насколько высокой является точность
Мультимодальное объединение (речь + мимика + язык тела + текст) является наиболее надёжным подходом. Исследование, опубликованное в октябре 2026 года на arXiv, показало: в удалённом пользовательском исследовании с участием 52 человек, выражавших 7 эмоциональных состояний, точность мультимодальной системы объединения достигла 96,43%, при этом ни одна эмоция не имела точности ниже 92,31%; в то время как точность каждой модальности по отдельности в реальных условиях составила лишь 82,97%–87,64%, а для некоторых эмоций — даже 48,08% . Это означает, что «ИИ, который точно определяет настроение» полагается на одновременную работу нескольких сигналов, а не на один канал.Объединение речи и текста также показывает высокие результаты: гибридная система, объединяющая акустические признаки и анализ тональности текста, достигла 98% точности на сбалансированном тестовом наборе из 5 категорий (250 парных образцов речь-текст), что на 21 процентный пункт выше, чем при использовании только речи .
Распознавание языка тела и позы пока имеет меньше публичных данных, но российские исследователи из Высшей школы экономики совместно со Сбером разработали мультимодальную модель, которая анализирует видео, голос, содержание речи, а также описания мимики, взгляда, позы и жестов, одновременно распознавая эмоции, оценивая черты личности и выявляя противоречивое поведение; при многозадачном обучении точность распознавания эмоций на незнакомых данных улучшилась на 13,7% .
Где находятся ограничения
Точность одной модальности в реальных условиях значительно снижается. Упомянутое выше исследование чётко указывает: хотя каждая модальность показывает высокие результаты на эталонных тестовых наборах, в реальных условиях точность падает до 82%–87%, а для некоторых эмоций — ниже 50% . Это означает, что системы, «слушающие только голос» или «смотрящие только на лицо», ненадёжны в практическом применении.Тонкая классификация эмоций остаётся слабым местом больших моделей. В ходе тестирования в апреле 2026 года три ведущие коммерческие модели — Claude, ChatGPT (GPT-5.4) и Gemini — показали точность в задаче классификации 13 тонких эмоций без дообучения (zero-shot) лишь 38,0%–39,9%. Все модели хорошо справляются с сарказмом и желанием, но стабильно ошибаются при распознавании «любви», «замешательства» и «стыда» . Это показывает, что для базовых эмоций (радость, гнев, печаль, страх) ИИ уже достаточно силён, но для сложных, смешанных или социально замаскированных эмоциональных состояний всё ещё требуется специальная настройка.
Распознавание микро-выражений является отдельной сложной задачей. Микро-выражения длятся всего 40–500 миллисекунд и являются наиболее трудно поддающимися сознательному контролю сигналами истинных эмоций. Метод, опубликованный в IEEE в 2026 году, достиг 87,4% UAR на чистом наборе данных CASME II, но в условиях освещения, движения камеры и сжатия видео этот показатель снижается до 82,8% . Другой облегчённый метод для мобильных устройств достиг лишь 0,809 UAR в трёхклассовой задаче (позитивные, негативные, удивление) .
