音声感情認識とは，人の声の情報を利用して，その声の感情，またはその時の話者の感情を認識する技術である．コールセンターでは，顧客の感情に少しでも早く気付けば円滑な対応が可能になる．また，今後ロボットと対話するときも，我々の感情がわかれば，話した内容への理解も深まると考えられる．
近年様々な感情認識技術が登場してきており，特にtransformerモデルの登場により，演技的な英語音声感情認識精度はある程度上がってきた．一方，日本語の場合，データも研究者も少なく，認識精度が劣っているのが現状である．本研究は，日本語音声とテキストデータを使用して感情認識実験を行う。