AI 能猜出你的消息读起来是什么语气，却看不出你真正的感受

我是 Subtext 的联合创始人之一，这款应用帮人读懂消息，并想好怎么回复。所以，我去翻 AI 语气识别的研究，是带着私心的：基准测试、ACL 的论文、心理学界的批评，还有如今已经禁止这个领域一部分做法的欧盟法律，我都翻了一遍。我在这件事上有利益关系，请你据此掂量我的话。下面的每一条论断都附有来源链接，你可以自己核对我的解读，不必直接信我。文章接近结尾处，有 Subtext 的一次真实运行，读的是草稿“那挺好的。”，能看到它对一句可以有两种读法的话说了什么。

今天的 AI 擅长预测一条消息在读者看来可能是什么感觉，却没有可靠的办法知道写的人自己有什么感受。后面的全部内容，讲的都是这两件事之间的差距。

语气识别其实是五件不同的事

这个说法听起来像一项功能，其实底下是几个各自独立的问题，按下面的顺序，一个比一个难。

情感倾向最简单，它只问一段文字是正面、负面还是中性。每家大型云服务商都在卖这项服务。Google 的 API 会返回一个从负一到正一的分数，另附一个表示情绪强度的数值（magnitude）¹；Amazon Comprehend 把文字分成正面、负面、中性或混合²；Microsoft 的 Azure 服务则多了一层针对评价对象的观点挖掘，所以像“这款应用很好用，但客服糟透了”这样的句子，它能正确地拆开来判断，而不是平均成一团浆糊³。

下一步是情绪识别，涵盖愤怒、喜悦、恐惧、悲伤，以及它们数不清的近亲。难度更大，后面的数字会说明这一点。

人际语气，才是你给房东发消息时真正关心的：这听起来是温暖、直接、带着防备，还是在指责？早在2018年，研究者就已经为工作邮件里的挫败感、正式程度和礼貌程度建模⁴，效果还算不错，原因是他们把这些当成各自独立的维度，而不是只贴一个情绪标签。

接着是讽刺和潜台词，它们更多取决于语境，而不是用词。最底层是写的人内心真实的情绪状态，而这恰恰是营销话术暗示得最多、研究支持得最少的东西。

所以，当一个产品页面说自己能识别语气时，我首先要问的是：它指的是这五件事里的哪一件。要知道，大多数语气检查工具其实从不检查你的语气。

那些永远上不了宣传页的准确率数字

文本细粒度情绪识别领域的参考数据集，是 Google 的 GoEmotions⁵：Demszky 的团队用27种情绪外加“中性”，给5.8万条 Reddit 评论做了人工标注，并在2020年的 ACL 会议上发表。它的 BERT 基线模型，在全部标签上的 macro F1 为0.46。后来的工作用了更强的模型和数据处理技巧，把这个数字推到大约0.49到0.51⁶。几年的进步之后，最好的专用模型仍然会漏掉很大一部分细粒度标签。

让通用聊天机器人来做同样的28分类，它在这套基准上的得分会远低于经过微调的小模型，部分原因是自由生成的模型会编出分类体系之外的标签，也不会按测试的阈值来校准。这个得分听上去相当糟糕，可是在2025年的一项研究中，人类评审常常认可 GPT-4 给出的标签，而不是数据集的官方标签⁷。有时候，模型和基准对不上，是因为基准本身才是更靠不住的一方。

粗粒度的正面与负面二分类，得分整体要高得多。分数恰恰是在那些有意思的区分上崩塌的，比如恼火和愤怒，失望和不赞成。

人类在语气上也会意见不一

让我对整个话题改观的，是回头去核对人类自己的表现。GoEmotions 论文的附录报告了它自己那批人工标注员之间的一致性，对大多数情绪来说，Cohen’s kappa 大约在0.1到0.5之间。感激最容易判断，达到0.75。悲痛只有0.09，几乎等于随机标注。受过训练的人读同一句话，尚且无法一致判断它表达的是失望还是不赞成；而基准正是以他们的标注为标准答案，才算出模型0.46的 macro F1，可这份答案偏偏在这些地方不牢靠。Kappa 和 F1 衡量的是不同的东西，所以人类的这个数字并不是一条硬性的上限，但它说明，模型的一部分失误其实要算在任务头上。

Cohen’s kappa，GoEmotions 自己的人工标注员 感激：0.75。悲痛：0.09，几乎等于随机标注。

kappa 为1.0表示完全一致，0表示与随机相当。受过训练的人尚且无法一致判断一句话表达的是失望还是不赞成，模型0.46的 macro F1，就是对着一份在这些地方不牢靠的标准答案打出来的分。

问题还不止于此。我们测量的，到底是谁的感受？一个叫 EmoBank 的数据集，把同样的句子标注了两遍，一遍站在写的人的角度，一遍站在读者的角度，因为这两者原来是不同的变量⁸。同一批研究者在2017年发现，从写的人的角度来标注，整体质量更好。而规模很大的 SemEval 2025 情绪识别任务涵盖七个语系的30多种语言，它有意把目标放在被感知的情绪上，也就是一般读者会认为这段文字表达了什么，而明确不是写的人内心实际感受到了什么⁹。

最直击要害的检验出现在2025年。一项 ACL 研究让写的人标注自己的情绪，再让局外的人类和大语言模型去猜。两边都没能猜准写的人自己报告的情绪，而大语言模型几乎全面胜过那些素不相识的人类¹⁰。这个发现的两部分都值得重视。如今，单凭文字去读你，AI 已经比随便一个陌生人读得更准，但它仍然无法可靠地还原你当时的感受。

一个很实际的后果，出现在2023年发表于 Heliyon 的一项比较中：研究者拿八个商用情绪识别 API，在同样的数据集上各跑了一遍，发现它们彼此的结果并不一致，换一个数据集，排名也跟着变¹¹。任何厂商如果说“情绪识别准确率达95%”，却不交代标签、数据和语言，那它引用的这个数字，就撑不起它想表达的结论。

模型能在情绪测试里拿高分，却仍然读不懂眼前这个人

有几项研究结果乍看互相矛盾，只要分清它们各自测量的是什么，矛盾就消失了。

在2025年发表于《Communications Psychology》的一项研究中，包括 ChatGPT-4、Gemini 1.5 Flash、Claude 3.5 Haiku 和 DeepSeek V3 在内的六个模型，做了五套标准的情商测试，这类测试平时是用来评估人类的。模型平均答对81%，而这些测试在验证研究中得到的人类平均成绩是56%¹²。在《Nature Human Behaviour》发表的研究中，GPT-4 在识别错误信念和间接请求这类经典的心智理论任务上，表现与人类持平或更好，不过在识别社交失礼（faux pas）上栽了跟头¹³。而在《JAMA Internal Medicine》刊出的研究里，有执业资质的评估者阅读了对真实患者提问的回答，在78.6%的情况下更偏好聊天机器人的回答，而不是医生的回答。他们把聊天机器人的回答评为有同理心的可能性，是医生回答的9.8倍¹⁴。不过有一点要留意：聊天机器人的回答平均211个词，医生的只有52个词，而医生写得更长时，这种偏好会缩小。至于情商在职场上是否真的重要，那是另一个问题。

与此同时，Sabour 等人设计的 EmoBench 专门要求靠情绪推理作答，而不是靠回忆见过的模式，结果依然显示，模型和普通人类之间有明显的差距¹⁵。

这两类发现可以同时成立，因为知道情绪是怎么回事，和知道某个人此刻的情绪，是两种不同的能力。关于嫉妒、悲痛和职场里那些别扭的道歉，模型读过的文字比世上任何一个活人都多。它缺的，是关于写下这条具体消息的那个人的背景信息。

四个人可以打出同样的话：“恭喜你。真替你高兴。”第一个人是真心的。第二个人心里在怨你。第三个人心都碎了，却在硬撑。第四个人在说反话。屏幕上，这几个版本一模一样，所以没有哪个文本模型能把它们区分开，一个陌生人也做不到。这些信息在字面之外。

判断语气，主要靠语境

拿这条回复来说：“行。”

单独看，它可能是同意，可能是失望，可能是烦躁，可能是不在乎，也可能是一扇门悄悄关上了。放在“这已经是你第三次改截止日期了”后面，解读的范围一下子就收窄了。这个词本身一点没变，变的是语境。

讽刺方面的研究一再得出同一个结论：就连人类，也常常需要借助前后的对话，才能读出讽刺的意图¹⁶¹⁷，这也是较新的评测为什么拿完整的对话、而不是孤立的句子去测试模型。由此可以得出一条适用于任何语气工具的实用规则：把整段对话、双方的关系和事情的轻重都交给它。只让它判断孤零零的一条消息，等于是请模型客客气气地出错。

语气带着文化的印记，而大多数模型是读美式英语长大的

一个2025年发布、名叫 BESSTIE 的基准，在澳大利亚英语、英国英语和印度英语上，测试了模型的情感分析和讽刺识别能力¹⁸。模型在印度英语上的表现始终更差，其中讽刺最难；而且从一种英语变体推广到另一种，模型也很吃力。

这个结果和日常经验吻合。“Kindly do the needful”（大意：请把该办的事办了）这句话，在印度的职场英语里是一种读法，在按美国办公室规范校准过的模型那里又是另一种读法。在柏林生活了13年，我还能补充一个德国版本：在美式礼貌里长大的软件，可能会把德国人眼中尊重对方时间的直率，读成冷淡。“无礼”“温暖”“太直接”这类标签，是披着客观外衣的文化判断。一个不管谁在对谁说话、也不管处在哪种文化里的语气工具，会信心十足地把双方都读错。

内容审核是一项和情感打分不同的任务，但那里也出现了相关的偏差。Sap 等人检查了广泛使用的仇恨言论数据集，发现经过训练的分类器，把用非裔美国人英语（有时称为 African American Vernacular English，简称 AAVE）写成的推文判为冒犯性内容的频率，最高可达其他英语变体中可比推文的两倍，而标注者自始至终没有看到过推文的作者是谁¹⁹。这种差距出在毒性分类器上，而不是情感分类器上，所以像 BESSTIE 这样的基准发现不了它。用这类数据训练出来的审核系统，更容易把 AAVE 里很平常的说法标成冒犯性内容，而同一个意思换一种说法来写，就不那么容易被标出来。

读脸，是情绪 AI 彻底走偏的地方

上面讲的都是文字。这个行业里扫描人脸的那一支，成绩单要难看得多，而监管者如今怎样对待整个品类，也受它影响。

2019年，心理学家 Lisa Feldman Barrett 等人梳理了1000多项研究，得出的结论是：你无法仅凭面部动作可靠地推断一个人的感受²⁰。人专注的时候会皱眉，焦虑的时候会微笑，在婚礼上会哭。同一年，有一项研究把400名 NBA 球员的照片交给两套商用系统分析，发现在表情相近的情况下，两套系统都从黑人球员的脸上读出了比白人球员更多的负面情绪²¹。

这个行业注意到了。2022年，Microsoft 停用了其 Face API 中的情绪推断功能²²。HireVue 在2021年把面部分析从招聘评估中撤掉了，此前数字权利组织 EPIC 已经向美国联邦贸易委员会（FTC）提出投诉²³。文字类工具用的是另一种技术，但这份怀疑同样落在它们头上；一旦它们声称读的是内心状态，而不是措辞，这份怀疑就是应得的。

欧盟划了一条线，文字不在线内

自2025年2月2日起，欧盟《AI 法案》（EU AI Act）的第5条第1款（f）项禁止在职场和学校里使用推断人们情绪的 AI，只对医疗和安全用途留有很窄的例外，比如检测司机疲劳²⁴。违反这些禁止性规定，最高可处以全球年营业额7%的罚款。

适用范围，对做这类工具和用这类工具的人都很重要。欧盟委员会的指引把这项禁令与生物特征数据挂钩：脸部、声音、击键动态、身体姿态²⁵。而从书面文字推断情绪的系统，明确不在禁止之列²⁶。分析一封邮件在收件人读来可能产生什么效果，是合法的。用摄像头对准员工、给他们的情绪打分，则被禁止。这条线和科学证据划得相当吻合，对 Subtext 来说，它等于一条我们本来就会自己定下的设计约束：只处理文字，不碰生物特征，不做职场监控。

今天的这些工具适合做什么

Grammarly 的 tone detector 是最典型的面向普通用户的例子，它的表述也是市场上最直截了当的²⁷。它分析的是用词、措辞、标点和大小写，据此告诉你，你的消息很可能读起来是什么语气²⁷。“很可能读起来是”这几个字不是客套话，在科学上是有分量的。

Google、Amazon、Microsoft 和 IBM 设计各自的云 API，是为了批量处理客服工单、评论和问卷答复²⁸。IBM 在2023年下线了独立的 Tone Analyzer，把情绪分析并入了更广的语言产品。要回答“客户觉得我们的结账流程怎么样”，这些是合适的工具；要回答“我写的这条消息是不是有被动攻击的味道”，它们就不合适了。

对个人消息来说，通用大语言模型是能力最强的选择，因为它们能利用语境，能同时处理好几种语气，还能解释自己是怎么读的。它们同时也是校准最差的，所以对它们给出的任何置信度百分比，都只当作一种感觉看待。在语音这一边，Hume AI 在2024年拿到了5000万美元的 B 轮融资，用来测量声音的起伏变化，主要是让语音界面能以合适的节奏和语气来回应²⁹。这个用途更窄，但比声称能检测隐藏的感受更经得起推敲。

这些研究怎样塑造了 Subtext

Subtext 读的，是人们最在意的那类草稿，比如回复老板、约会对象或妈妈的那一条。它该怎么运作，我让研究来定。

Subtext 处在上面五类里的第三类，也就是人际语气，它要问的是：一条消息在收信人看来，是温暖、直接、带着防备，还是在指责。它的输出只能谈读者的观感。“这条消息可能显得不把对方当回事”，是证据能支持的说法；“她在生你的气”，是证据不支持的说法，而 ACL 那项让写的人自己标注情绪的研究，就是凭据。我们也允许一条消息同时带有好几种语气，因为真实的消息本来就是这样。温暖又带着防备，是很常见的组合，较新的基准把情绪当作多标签来处理，原因正在于此。

给依据，胜过下判决。一个有用的工具，会指出是哪些词造成了某种印象，比如在一封气氛紧张的邮件里，“我之前已经解释过了”这几个字就在悄悄扛着大部分分量。这样，你可以自己决定，这个印象是不是你想要的。不确定性也要摆在明面上。一条消息含糊的时候，这种含糊往往就是最准确的发现，把它凑整成一个笃定的标签，就是虚假的精确。

有一个真实的输出，能看出这在产品里是什么样子。它来自一次运行，用的是专门为此编出来的一条草稿，所以请把它当作产品实际表现的一个例子，而不是对上面任何一项研究的佐证。这次运行用的草稿是“那挺好的。”，Subtext 给出的标签是“讽刺”，旁边的情绪词是“含糊”。标签的说明没有下定论，只说这是“常被反讽使用的短句”，既可能被理解为真心，也可能被理解为带刺；情绪词的说明写的是“看不出你是真心高兴还是有点失落”。以上是应用的真实输出，没有改动。

语境有帮助。Subtext 拿到整段对话时会去读，也可以问你收信人是谁，因为同样的话，对上级说和对暧昧对象说，意思并不一样。Subtext 也会分析一句悬在半空中的话，也就是我在上面提醒过的那种孤立情形：上面的“那挺好的。”得到了一个标签，外加三个版本，都标为“可放心发送”，第一个只是在原话后面加了“我为你高兴”。它确实说了“我不确定具体情境”，并交代最后一版假设这条回复是在回应某个安排。也就是说，有一个版本替它没看到的背景做了猜测，这一点它自己讲明了。

实际用起来是这样的：你粘贴草稿，或者把对话截图发过去，Subtext 会指出你的消息很可能传递出什么信号，标出造成这种印象的词，并给出几个依然是你自己口吻的版本。

我的判断是，这个品类比路演材料里讲的要小，又比怀疑者肯承认的更有用。读心依然遥不可及。读措辞今天就能做到，而书面沟通里的大部分伤害，本来也是从措辞开始的。对我来说，这已经是足够好的理由，值得把它做出来。

---

你也在做这类工具，觉得我读错了你的基准？欢迎到 LinkedIn 上告诉我。

Samet Durgun 是 Subtext 的联合创始人。这款应用会捕捉你消息里的情绪语气，并用你自己的口吻改写。他常驻柏林。

---

参考来源

凡有原始来源的，上文每个链接都直接指向它，来源按出现的顺序编号。有两条来源没有附链接，因为我无法确认它们有稳定的网址；最后两条是延伸阅读，不是上文论断所依据的来源。

1. Google Cloud. Natural Language API basics: sentiment score and magnitude.
2. AWS. Amazon Comprehend: sentiment analysis.
3. Microsoft. Azure Language: sentiment analysis and opinion mining.
4. Chhaya 等人 (2018). Frustrated, Polite, or Formal: Quantifying Feelings and Tone in Email. PEOPLES Workshop, NAACL 2018.
5. Demszky 等人 (2020). GoEmotions: A Dataset of Fine-Grained Emotions. ACL 2020.
6. Wang 等人 (2024). Large Language Models on Fine-grained Emotion Detection Dataset with Data Augmentation and Transfer Learning. arXiv.
7. Rethinking Emotion Annotations in the Era of Large Language Models (2025).
8. Buechel and Hahn (2017). EmoBank，一个同时从写的人和读者两种视角标注的语料库；以及 “Readers vs. Writers vs. Texts,” Linguistic Annotation Workshop 2017.
9. Muhammad 等人 (2025). SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection. SemEval 2025.
10. Li 等人 (2025). Can Third Parties Read Our Emotions? ACL 2025.
11. Abu-Salih 等人 (2023). Emotion detection of social data: APIs comparative study. Heliyon.
12. Schlegel, Sommer, and Mortillaro (2025). Large language models are proficient in solving and creating emotional intelligence tests. Communications Psychology.
13. Strachan 等人 (2024). Testing theory of mind in large language models and humans. Nature Human Behaviour.
14. Ayers 等人 (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine.
15. Sabour 等人 (2024). EmoBench: Evaluating the Emotional Intelligence of Large Language Models. ACL 2024.
16. Feng 等人 (2024). Affect Recognition in Conversations Using Large Language Models. SIGDIAL 2024.
17. Hazarika 等人 (2018). CASCADE: Contextual Sarcasm Detection in Online Discussion Forums. COLING 2018.
18. Srirag 等人 (2025). BESSTIE: A Benchmark for Sentiment and Sarcasm Classification for Varieties of English. Findings of ACL 2025.
19. Sap 等人 (2019). The Risk of Racial Bias in Hate Speech Detection. ACL 2019.
20. Barrett 等人 (2019). Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements. Psychological Science in the Public Interest.
21. Rhue (2019). Racial Influence on Automated Perceptions of Emotions. SSRN 工作论文。
22. Microsoft (2022). Framework for building AI systems responsibly，宣布停用 Face API 中的情绪推断功能。
23. EPIC. In re HireVue, FTC complaint (2019).
24. EU AI Act, Article 5: Prohibited AI Practices，自2025年2月2日起适用。
25. Lewis Silkin (2025). Understanding the EU AI Act’s prohibited practices, on the Commission’s February 2025 guidelines.
26. Future of Privacy Forum (2026). Red Lines under the EU AI Act: the prohibition of emotion recognition in the workplace and education.
27. Grammarly. Tone detector product page and how the tone detector works.
28. IBM. Watson Natural Language Understanding.
29. Hume AI.
30. Northeastern University (2021). You can’t determine emotion from someone’s facial movements, and neither can AI.
31. The Guardian (2024). Are you 80% angry and 2% sad? Why “emotional AI” is fraught with problems.