本論文は、感情認識およびセンチメント分析というタスクに対して、軽量でありながら強力な新しいソリューションを提示することを目的としている。我々の動機は、Transformerベースの2つのアーキテクチャを提案することであり、言語情報と音声情報を、幅広いデータセットから統合する手法を採用することで、既存の最先端技術（SOTA）に挑戦し、場合によってはそれを上回る性能を達成することにある。モデルの効率性を示すために、IEMOCAP、MOSI、MOSEI、MELDの各データセット上で、モデルの性能を丁寧に評価した。実験の再現は容易であり、コードは完全に公開されており、今後の研究に活用できるようになっている。