在构建语音情感检测与识别系统时，哪种方法会更好？是使用隐马尔可夫模型还是深度学习（RNN-LSTM）方法？我需要构建一个SER系统，对这两种方法感到困惑。如果有比这两种更好的模型，请告知。

回答：

基于HMM和RNN-LSTM的解决方案在SER领域被认为不够精确。我认为目前最佳的算法是基于深度视网膜卷积神经网络（DRCNNs）的方法。参见使用深度视网膜卷积神经网络进行语音情感识别，作者为牛亚峰、邹东升、牛亚东、何仲实、谭华，发表于2017年7月。作者在以下数据库上实现了超过99%的平均准确率：IEMOCAP、EMO-DB和SAVEE。