摘要

语音情感识别（Speech Emotion Recognition, SER）在人机交互（Human-Computer Interaction, HCI）中具有重要意义，它能够深化对交互情境的理解，从而实现更高效、更自然的人机互动。近年来，多种机器学习与深度学习（Deep Learning, DL）算法被提出，以提升SER技术的性能。然而，语音情感的识别效果依赖于表达方式，而不同语言间的情感表达存在差异。本文针对波斯语（Farsi/Persian）这一语言特点，进一步探讨其在情感识别中的关键影响因素。研究基于2018年发布的Sharif情感语音数据库（ShEMO），系统评估了多种深度学习技术。通过结合低层与高层信号特征，以及不同的深度神经网络和机器学习方法，实验取得了未加权准确率（Unweighted Accuracy, UA）65.20%和加权准确率（Weighted Accuracy, WA）78.29%的性能表现。