AI 猜得出你的訊息聽起來像什麼，卻看不出你真正的感受

我是做 Subtext 的兩個人之一，這款 App 幫人讀懂訊息，也幫人想好怎麼回。所以我去翻 AI 語氣偵測的研究，是有私心的：基準測試、ACL 的論文、心理學界的批評，還有如今已經禁止這個領域一部分應用的歐盟法律，我都讀了。我的利害關係，請你自己斟酌著算進去。下面每一項說法都附了來源連結，你可以自己核對我的解讀，不必光靠相信我。接近文末，有一次 Subtext 的真實執行，用的是草稿「那很好啊。」，看它怎麼說一句可以有兩種讀法的話。

現在的 AI 很會預測一則訊息可能讓讀的人覺得怎麼樣。至於寫的人心裡感受到什麼，它沒有可靠的辦法知道。這兩者之間的差距，就是下面整篇文章要談的內容。

語氣偵測其實是五件不同的工作

這個詞聽起來像單一功能，底下其實是幾個各自獨立的問題，越往下越難。

情感分析最簡單，只問一段文字是正面、負面還是中性。每一家大型雲端服務供應商都有賣這項功能。Google 的 API¹會回傳一個從負一到正一的分數，另外附上代表情緒強度的 magnitude 值；Amazon Comprehend²把文字分成正面、負面、中性或混合；Microsoft 的 Azure 服務³則多了針對不同面向的意見探勘，所以遇到「這個 App 很棒，但客服糟透了」這樣的句子，它能正確拆開來看，而不是平均成一團糊。

下一步是情緒偵測，涵蓋憤怒、喜悅、恐懼、悲傷，以及一大串相近的情緒。難度高了不少，後面的數字會說明。

人際語氣，是你傳訊息給房東時真正在意的事：這聽起來是溫暖、直接、防衛，還是帶著指責？研究者早在 2018 年⁴就已經在為工作信件裡的煩躁、正式程度和禮貌建立模型，效果還算不錯，原因是他們把這些當成各自獨立的向度，而不是一個情緒標籤。

再來是諷刺和弦外之音，它們依賴脈絡的程度，遠高於依賴字詞。最底下是寫的人私下的情緒狀態：這正是多數行銷文案暗示的內容，也是研究最不支持的部分。

所以，每當產品頁面說它能偵測語氣（而大多數語氣檢查工具，其實根本沒檢查你的語氣），我的第一個問題就是：它指的是這五種裡的哪一種？

產品宣傳頁上不會出現的準確率數字

要看文字裡的細分情緒，公認的基準資料集是 Google 的 GoEmotions⁵：58,000 則 Reddit 留言，由 Demszky 的團隊人工標上 27 種情緒外加中性，並在 2020 年的 ACL 上發表。它的 BERT 基準模型，在整套標籤上的 macro F1 是 0.46。後來的研究⁶用更強的模型和各種資料技巧，把這個數字推到大約 0.49 到 0.51。進步了好幾年，最好的專用模型仍然會漏掉很大一部分的細分標籤。

如果請一般的聊天機器人做同樣的 28 類分類，它的測試分數遠低於微調過的小型模型，部分原因是自由生成的模型會自己發明分類體系以外的標籤，也不會針對這項基準的判定門檻做校準。這聽起來很糟，直到你看到 2025 年的一項研究⁷：人類評審常常認同 GPT-4 給的標籤，而不是資料集的官方標籤。有時候模型和基準不一致，是因為基準才是比較弱的那一方。

粗略的正面對負面分類，整體分數高得多。分數崩掉的地方，正好是有意思的區別所在，例如不耐煩和生氣之間、失望和不贊同之間。

對語氣的判讀，人與人之間也意見不一

真正讓我換個角度看整個主題的，是回頭去檢查人類的結果。GoEmotions 論文的附錄，報告了它自己那批人工標註者之間的一致程度，大多數情緒的 Cohen’s kappa 大約落在 0.1 到 0.5 之間。感激很容易，有 0.75。悲痛只有 0.09，幾乎等於隨機標註。同一句話，連受過訓練的人都意見不一，說不準它表達的是失望還是不贊同；基準測試卻拿他們的標籤當標準答案，去替 macro F1 為 0.46 的模型打分數，而這份標準答案恰恰在這些地方最不牢靠。kappa 和 F1 量的是不同的東西，所以人類的數字不是硬性的上限，但它顯示出：模型有一部分的失分，是任務本身造成的。

Cohen’s kappa，GoEmotions 自己的人工標註者 感激：0.75。悲痛：0.09，幾乎等於隨機標註。

kappa 為 1.0 代表完全一致，0 代表只是碰巧一致。模型那個 0.46 的 macro F1，是拿這樣一份標準答案打出來的分數，而它在失望與不贊同這類地方，恰恰最不牢靠。

問題還不只這樣。我們到底在量誰的感受？一個叫 EmoBank⁸ 的資料集，把同樣的句子標了兩次，一次從寫的人的角度，一次從讀的人的角度，因為這兩者其實是不同的變數。同一批研究者在 2017 年發現，整體來看，從寫的人的角度標註，品質比較好。而規模龐大的 SemEval 2025 情緒任務⁹涵蓋來自七個語系、超過 30 種語言。它刻意以「被感知到的情緒」為目標，也就是一般讀者會認為這段文字帶有什麼情緒，明確不是寫的人心裡實際的感受。

最尖銳的檢驗出現在 2025 年。一項 ACL 研究¹⁰請作者標出自己的情緒，再讓旁人和大型語言模型（LLM）去猜。不管是旁人還是大型語言模型，都沒能完全猜中作者自己標註的情緒，不過大型語言模型幾乎全面勝過那些陌生人。這個發現的兩個部分都很重要。光憑文字，AI 現在讀你已經比隨便一個人準，卻仍然無法可靠地還原你當時的感受。

有一個很實際的後果，出現在 2023 年發表於 Heliyon 的比較研究¹¹。研究者讓八套商用情緒 API 跑同樣的資料集，發現它們彼此意見不一，排名也隨資料集而變動。任何廠商如果宣稱「情緒偵測準確率 95%」，卻沒有說明標籤、資料和語言，那個數字就撐不起這個說法。

模型在情緒測驗拿高分，卻還是讀不懂眼前這個人

有兩類研究結果乍看互相矛盾：一類顯示模型在情緒測驗上勝過人類，另一類顯示它仍然比不上一般人。只要分清楚它們各自在量什麼，就說得通了。

在 2025 年發表於《Communications Psychology》¹²的一項研究中，六個模型（包括 ChatGPT-4、Gemini 1.5 Flash、Claude 3.5 Haiku 和 DeepSeek V3）做了五份用來評量人類的標準情緒智力測驗。模型平均答對 81%，而這些測驗在效度驗證研究中的人類平均是 56%。在《Nature Human Behaviour》¹³的研究裡，GPT-4 在辨認錯誤信念、理解間接請求這類經典的心智理論作業上，表現與人類相當或更好，不過在辨認社交上的失禮（faux pas）時卻栽了跟頭。而在《JAMA Internal Medicine》¹⁴的研究中，有執照的評估人員閱讀對真實病患提問的回答，在 78.6% 的情況下比較喜歡聊天機器人的回答，並且認為它們有同理心的機率，是醫師回答的 9.8 倍。有一點要留意：聊天機器人的回答平均 211 字，醫師的是 52 字，而且醫師寫得比較長時，這種偏好就縮小了。至於對人來說，情緒智力在職場上是否真的重要，那是另一個問題。

同時，Sabour 等人設計的 EmoBench¹⁵，刻意要求情緒推理而不是回想學過的模式，結果仍然發現模型和一般人之間有明顯的差距。

兩種發現可以同時成立，因為「對情緒有所了解」和「知道某個人此刻的情緒」是不同的能力。模型讀過的關於嫉妒、悲痛和職場上尷尬道歉的資料，比世上任何一個人都多。它缺的，是寫下這一則訊息的那個人的脈絡。

四個人可以打出一模一樣的字：「恭喜你，我替你開心」。一個人是真心的。一個人其實對你心懷怨懟。第三個人心碎了，卻在強撐。第四個人是在諷刺。四個版本在螢幕上一模一樣，所以沒有任何文字模型分得出來，陌生人也分不出來。那份資訊在文字之外。

判讀語氣，大半靠脈絡

拿一則回覆「好吧。」來看。

單獨一句，它可能是同意、失望、不耐煩、不在乎，也可能是一扇門悄悄關上。把它放在「你已經第三次改截止日期了」後面，可能的讀法一下子就縮窄了。「好吧」這兩個字沒有變，變的是脈絡。

諷刺的研究一再得出同樣的結論：連人類也常常需要前後的對話，才能抓到諷刺的意圖¹⁶¹⁷，所以較新的評測，是拿整段對話而不是單獨的句子來測試模型。從這裡能直接得出我對任何語氣工具的實用規則：把對話串、雙方的關係和事情的輕重都餵給它。只讓它判斷單獨一則訊息，等於是請模型客客氣氣地答錯。

語氣有文化差異，而多數模型是吃美式英文長大的

2025 年一項名為 BESSTIE¹⁸ 的基準測試，在澳洲、英國和印度英文上測試模型的情感分析和諷刺判讀。印度英文的表現一直比較差，其中諷刺最難，而且模型很難從一種英文變體推廣到另一種。

這個結果和日常經驗吻合。「Kindly do the needful」（大意是請對方把該辦的事辦一辦）在印度的職場英文裡有一種讀法，在一個以美國辦公室慣例校準過的模型眼裡，又是另一種。我在柏林待了 13 年，可以補上德國版。在這裡，直接了當代表尊重你的時間，但用美式禮貌養大的軟體，可能把它讀成冷淡。「無禮」、「溫暖」、「太直接」這類標籤，是披著客觀外衣的文化判斷。一個不管誰在對誰說話、身處哪種文化的語氣工具，會很有把握地讀錯雙方。

內容審核是和情感評分不同的另一種任務，那裡也看得到相關的偏誤。Sap 等人檢視了廣泛使用的仇恨言論資料集¹⁹，發現訓練出來的分類器，把以非裔美國人英語（有時稱為非裔美國人白話英語，也就是 AAVE）寫成的推文，標為冒犯性內容的頻率，最高可達其他英文變體中相近推文的兩倍，而標註者判斷時只看得到文字，看不到作者是誰。這個落差出在毒性分類器，不是情感分類器，所以像 BESSTIE 這樣的基準測試看不出來。用這類資料訓練的審核系統，把日常的 AAVE 說法標成冒犯性內容的頻率，會高過換了別種措辭的同一則訊息。

讀臉，是情緒 AI 徹底走偏的地方

上面談的都是文字。這個產業裡掃描臉部的那一支，紀錄難看得多，也影響了監管機關如今對待整個類別的方式。

2019 年，心理學家 Lisa Feldman Barrett 等人回顧了一千多項研究²⁰，結論是：光憑臉部動作，無法可靠地推斷一個人的感受。人在專心時會皺眉，焦慮時會微笑，在婚禮上會哭。同一年，有一項研究把 400 位 NBA 球員的照片送進兩套商用系統，發現兩套系統都在表情相近時，從黑人球員的臉上讀出比白人球員更多的負面情緒²¹。

業界注意到了。Microsoft 在 2022 年從 Face API 中撤掉了情緒推斷功能²²。HireVue 則是在數位權利組織 EPIC 向美國聯邦貿易委員會（FTC）提出申訴²³之後，於 2021 年把臉部分析從徵才評估中拿掉。文字工具用的是不同的技術，卻同樣背著這份質疑；只要它們宣稱讀的是內心狀態，而不是用字遣詞，這份質疑就是自找的。

歐盟劃了一條線，文字在線外

自 2025 年 2 月 2 日起，歐盟人工智慧法案（EU AI Act）的第 5 條第 1 項第 f 款²⁴，禁止在職場和學校推斷人們情緒的 AI，只有少數例外，限於醫療和安全用途，例如駕駛疲勞偵測。違反這些禁止事項，最高可處全球年營業額 7% 的罰款。

這個適用範圍，對任何開發或使用這類工具的人都很重要。歐盟執委會的指引把這項禁令和生物辨識資料掛鉤²⁵：臉部、聲音、打字時的按鍵節奏、身體姿勢。從書面文字推斷情緒的系統，則明確不在禁令範圍內²⁶。分析一封電子郵件可能帶給人什麼感受，是合法的；把網路攝影機對著員工、替他們的心情打分數，則被禁止。這條線和科學證據相當吻合，而對 Subtext 來說，它對應到一項我們本來就會選的設計限制：只處理文字，不用生物辨識，不做職場監控。

現在的工具適合拿來做什麼

Grammarly 的語氣偵測²⁷是最清楚的消費者產品範例，它的說法也是市面上最直白的。它分析用字、措辭、標點和大小寫²⁷，告訴你這則訊息聽在讀的人耳裡，可能是什麼樣子。「可能」這個措辭，在科學上是有實質意義的。

Google、Amazon、Microsoft 和 IBM²⁸設計雲端 API，是為了大量處理客服工單、評論和問卷回答。IBM 在 2023 年停用了獨立的 Tone Analyzer，把情緒分析併入範圍更廣的語言產品。這些工具適合用來回答「顧客對我們的結帳流程感覺如何」，卻不適合用來回答「我這則訊息聽起來有被動攻擊嗎」。

一般的大型語言模型，是處理私人訊息時能力最強的選擇，因為它們能運用脈絡、同時處理好幾種語氣，也能解釋自己怎麼判讀。它們同時也是校準得最差的，所以任何信心百分比，都當成憑感覺給的數字就好。在聲音方面，Hume AI²⁹在 2024 年完成 50,000,000 美元的 B 輪融資，它做的是測量聲音的抑揚變化，主要是讓語音介面能以合適的節奏和語氣回應。這個用途比較窄，卻比宣稱偵測隱藏的感受更站得住腳。

這些研究怎麼影響 Subtext

Subtext 讀的，是人最在意的那些草稿，例如要回給老闆、約會對象或媽媽的訊息。它該怎麼運作，我讓研究來決定。

Subtext 屬於上面五類中的第三類，也就是人際語氣，要問的是：一則訊息在收到的人讀起來，是溫暖、直接、防衛，還是帶著指責。輸出必須停留在感知的層面。「這聽起來可能顯得不屑」這種說法，證據撐得住；「她在生你的氣」這種說法，證據撐不住，而那項請作者自己標註情緒的 ACL 研究，就是憑據。我們也讓一則訊息可以同時帶有好幾種語氣，因為真實的訊息本來就是這樣。溫暖又帶防衛，是很常見的組合，較新的基準測試把情緒當成多標籤，正是出於同樣的原因。

好用的工具給你的是依據，不是結論。它會指出是哪些字詞造成了那種印象，例如在一封氣氛緊繃的信裡，真正起作用的，是那句不動聲色的「如我先前說明過的」；指出來之後，你才能判斷那是不是你想要的印象。不確定性也要看得見。訊息本身含糊的時候，那份含糊往往就是最準確的發現，硬把它磨成一個斬釘截鐵的標籤，只是假的精確。

以下是 Subtext 分析一則特地為這次執行編出來的草稿所得的實際結果，這只是單次執行，用來呈現產品大致的樣子，不能當成上面任何一項研究的佐證。草稿是「那很好啊。」Subtext 給這句話標上「可能被當成反話」，旁邊把感受命名為「中性」。它的說明沒有下定論，只寫這句話「很短，沒有上下文時可以讀成真心，也可能被讀成帶刺的反話」；感受那一欄的理由也一樣留著餘地：「語氣不太明確，可能是真心也可能有點冷淡」。「中性」這個感受詞本身說得不多，含糊是寫在這兩段理由裡的。這是 App 真實、未經修改的輸出。

脈絡確實有幫助。Subtext 拿到對話串時會一併讀進去，也可以問你收訊息的人是誰，因為同樣的字，對主管和對曖昧對象的意思不一樣。Subtext 也會處理這種憑空飄著的單獨一句話，也就是我前面警告過的孤立情況。上面那句「那很好啊。」的結果裡，除了標籤，還附了三個標為「可放心傳送」的版本，第一個是「那很好啊，聽起來不錯。」它一開頭就說這句話很短，怕對方「不確定你是真心還是隨口回」，所以幾個版本都往把語氣說明白的方向寫；最後問你想要更簡短，還是更口語自然一點。

實際用起來，你貼上草稿，或是把對話串截圖，Subtext 會點出你的訊息可能傳達出什麼訊號，指出造成那種印象的字詞，並提供幾個仍然像你自己說話的版本。

我的看法是，這個類別比募資簡報裡講的小，卻比懷疑論者願意承認的更有用。讀心仍然遙不可及。判讀用字遣詞，現在就做得到，而書面溝通裡的傷害，大多本來就是從這裡開始的。這對我來說，已經是夠好的理由，值得動手去做。

---

你也在做這類工具，覺得我讀錯了你的基準測試？請到 LinkedIn 告訴我。

Samet Durgun 是 Subtext 的共同創辦人，這款 App 會抓出你訊息裡的情緒語氣，並用你自己的口吻改寫。他現居柏林。

---

資料來源

上面的每個連結，只要有原始來源，都直接連到原始來源，並依出現順序編號。有兩筆來源沒有附連結，因為我無法確認它們有穩定的網址；最後兩筆是延伸閱讀，不是上面任何說法的依據。

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 和 Hahn (2017). EmoBank，一個同時從寫的人與讀的人兩種角度標註的語料庫，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 和 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 working paper.
22. Microsoft (2022). Framework for building AI systems responsibly，宣布停用 Face API 的情緒推斷功能。
23. EPIC. In re HireVue, FTC complaint (2019).
24. EU AI Act, Article 5: Prohibited AI Practices，自 2025 年 2 月 2 日起適用。
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.